3.2.2.2. Évaluation de l'ajustement du modèle
de régression aux données et de la variabilité
expliquée par le modèle de régression
Le coefficient de corrélation R permettra d'attester
l'existence d'une corrélation significative entre les deux variables. Un
coefficient égal à 1 indique clairement que les deux variables
sont significativement en relation, (même valeur obtenue lors de
l'analyse des corrélations). Selon Evrad, Pras, et Roux (2003) des
coefficients de corrélation supérieure à 0,5 sont
généralement admis comme étant satisfaisantes. Le
coefficient de détermination R2 permettra de mesurer la
prédiction de la régression linéaire. Ce coefficient se
situe entre 0 (exprime un pouvoir de prédiction faible) et 1 (exprime un
pouvoir de prédiction fort voire parfait). Un coefficient de
détermination est en dessous de 0,3 n'est pas satisfaisant (Evrad, Pras,
et Roux, 2003). Traduit en pourcentage, ce coefficient contribue à
l'explication de la variabilité du modèle de régression et
indique par là le pouvoir de prédiction de la variable
indépendante sur la variable dépendante. La variation de F
associé au modèle est très importante
pour expliquer la significativité de la variance de la variable
indépendante. Une significativité de F avec p < 0,05 est
significative et lorsque p < 0,001, elle est très significative.
3.2.2.3. Évaluation des paramètres du
modèle et validation des hypothèses
Une fois la significativité du modèle
vérifiée, il est possible de construire l'équation de
régression pour prédire une valeur de Y, variable
dépendante. Cela se fait à travers l'analyse des
paramètres du modèle notamment l'observation du coefficient
standardisé Béta (â). La valeur Béta
standardisé indique le changement en écart type de la variable
dépendante pour chaque augmentation d'un écart type de la
variable dépendante quand en fonction de la valeur constante. Le signe
du coefficient nous informe sur le sens de la relation ainsi que sur le
degré auquel chaque prédicateur influence la variable
dépendante. Dans les cas de régression linéaire simple, le
coefficient de standardisé à la même valeur que le
coefficient de corrélation. Mais ce coefficient change en cas de
régression linéaire multiple. Pour confirmer le modèle de
régression, il est utile d'analyser les résidus.
3.2.2.4. L'analyse des résidus
L'examen des résidus est nécessaire pour
confirmer la qualité du modèle. Cela est possible à
travers le test de Durbin-Watson et l'examen des graphiques. Ce test permet
d'évaluer la corrélation entre les résidus et les erreurs.
Sa valeur varie entre 0 et 4. Il permet de confirmer ou d'infirmer
l'indépendance entre les résidus. Pour s'assurer que les
résidus ne sont pas corrélés, la valeur du test de
Durbin-Watson doit se situer entre 1,5 et 2,5. Une valeur du test de
Durbin-Watson permet de dire à priori que les résidus ne sont pas
corrélés et que le modèle de régression est valide.
Toutefois il faut examiner les graphiques pour confirmer et valider cette
conclusion. Un nuage de point regroupé autour de la droite de
régression permet de valider la qualité du modèle de
régression.
Nous avons précédemment, circonscrit notre
terrain d'étude, procédé à un
échantillonnage présentant la répartition des
étudiants étrangers sous divers critères et soumis nos
cibles d à un questionnaire afin d'avoir de façon concrète
l'opinion sur les pratiques managériales de ISMA du point de vu des
étudiants étrangers ; il convient dons de présenter les
résultats de ladite enquête nous le verrons dans le chapitre
suivant.
| 
