Etude des déterminants de l'utilisation des services de santé dans la zone de santé de Kadutu, province du Sud Kivu - RD Congo

Chapitre IV : DETERMINANTS DE L'UTILISATION DES SERVICES DE SANTE PAR LES MENAGES DE LA ZONE DE SANTE DE KADUTU

Dans ce chapitre, il sera question d'identifier les facteurs qui ont une influence sur l'utilisation des services de santé à partir d'un modèle logistique qui sera estimé sur base des informations collectées auprès des ménages. Parmi les 400 ménages enquêtés, 286 ménages ont déclaré avoir eu au moins un malade durant les 30 jours précédent le passage de l'enquêteur dans leur ménage. Les données qui ont été analysées dans cette étude sont basées sur les informations fournies par ces 286 ménages sur leur comportement dans le cadre de la recherche des soins de santé.

4.1. Base Théorique du modèle : MODELES LOGISTIQUES

Les modèles qualitatifs simples tels que les modèles logit-probit permettent d'exprimer la relation entre une variable qualitative à deux modalités (Y) et des variables explicatives (X_i) qui peuvent être qualitatives et quantitatives. Une variable qualitative est une variable non mesurable numériquement (ou codée) qui a un nombre limité de modalités.

Les éléments de base de ces modèles sont :

- Un événement Y (Y=1 ou 0)

- Une (ou plusieurs) variable indépendante X_i

- P(Y=1/X_i), décrit la probabilité de Y=1 pour une valeur X_i donnée

L'on peut poser par exemple :

- Y_i = 1 si l'individu recours aux soins et Y_i = 0 sinon (variable dichotomique)

- Y_i = 0 si le poids de naissance est 2kg ; Y_i = 1 si poids de naissance est inférieur à 2 kg et Y_i = 2 si poids de naissance est supérieur à 2 kg (variable codée à 3 modalités, dans ce cas, on parle de variable polytomique)

Ainsi, Y = 0 ou 1 peut traduire :

- la prévalence d'une caractéristique (maladie, etc.)

- l'apparition d'un événement (maladie, etc.)

- un choix (aller ou non chez le médecin ou à un centre de santé)

Les modèles Logit-Probit permettent ainsi d'expliquer (et de calculer) la probabilité d'aller se faire soigner quand les valeurs des caractéristiques individuelles X sont connues.

La probabilité que Y_i = 1 (aller se faire soigner) connaissant les caractéristiques individuelles X_1i, ..., X_ki, s'écrit :

E (Yi = X_1i, ..., X_ki) = P( Y_i = 1 = X_1i, ..., X_ki) = f (X_1i, ..., X_ki)

où E (Yi = X_1i, ..., X_ki) est la moyenne de Y conditionnellement aux valeurs prises par les variables explicatives.

La variable explicative X peut être quantitative (poids, âge, revenu, dose d'un produit, degré d'exposition à un facteur de risque, etc.).

La probabilité que Y_i = 1 (aller se faire soigner) connaissant la valeur de la variable explicative X_i s'écrit :

P (Y_i = 1 = X_i) = = = f (X_i)

et peut s'interpréter comme le pourcentage de se faire soigner lorsque la variable X prend une valeur précise.

Dans les modèles Logit, les coefficients ne sont pas directement interprétables : seuls le signe du coefficient de X permet de savoir si la probabilité expliquée est fonction croissante ou décroissante de la variable X.

Par définition, dans le modèle Logit, P_i = P(Y = 1 = X_i) = = est la probabilité qu'a l'individu i de connaître l'événement Y_i = 1 étant donnée la valeur de la variable explicative X, et 1 - P_i = P (Y_i = 0 = X_i) = 1 - = est la probabilité qu'a l'individu i de connaître l'événement Y_i = 0 étant donnée la valeur de la variable explicative X.

Lorsqu'on pose Z_i = + X_i, la probabilité P (Y_i = 1 = X_i) = peut être écrite comme suit : P(Y_i = 1 = X_i) = .

Cette équation peut se réécrire comme : e^Z =. En prenant le logarithme, il vient : Z_i = log = + X_i qui fait apparaître le modèle logistique comme un modèle linéaire.

Cas d'une variable explicative nominale à plus de 2 modalités

Si X est une variable qualitative à plusieurs modalités, il ne faut pas coder X de la façon suivante, comme dans cet exemple :

0 : ex-fumeur

X = 1 : fumeur actuel

2 : non fumeur

car ces valeurs numériques n'ont pas de sens »quantitatif» et induisent des relations entre les coefficients qu'on ne peut pas toujours expliquer ou justifier. Il faut créer autant de variables binaires qu'il y a de modalités pour X.

Dans un exemple sur le tabagisme, 3 variables dichotomiques peuvent décrire X, le statut tabagique :

X1i = 1 si i est ancien fumeur, X1i = 0 sinon

X2i = 1 si i est fumeur, X2i = 0 sinon

X3i = 1 si i n'a jamais fumé, X3i = 0 sinon

Deux de ces trois variables sont introduites dans le modèle, la troisième servant de référence. Par exemple, on peut ainsi estimer la probabilité d'être malade en fonction du statut tabagique :

P(Y_i = 1 = X_1i ; X_2i ) = =

la référence étant un individu qui n'a jamais été fumeur : b3 = 0. L'impact d'être un ancien fumeur est b1, celui d'être fumeur b2.