SECTION III. ANALYSE DES DETERMINANTS DE L'INSERTION
DES JEUNES DANS LE SECTEUR PUBLIC
La régression logistique consiste à comparer les
proportions en utilisant les logarithmes du rapport des risques (log-odds). Le
modèle estime pour chaque groupe donné, le paramètre
â (le rapport entre le logit d'un groupe donné et celui du groupe
de référence) et calcule les rapports des chances tout en
précisant leur seuil de signification.
Ainsi, lorsque l'exp(â) d'une catégorie
(modalité) est significativement supérieure à 1, l'on dira
que les individus appartenant à cette catégorie ont plus de
chance d'avoir la caractéristique étudiée que les
individus de la catégorie de référence. Par contre, si
l'exp (â) est significativement inférieur à 1, les
individus appartenant à cette catégorie ont moins de chance
d'avoir la caractéristique étudiée que les individus de la
modalité de référence. Dans le cas où l'exp
(â) serait significativement égal à 1, l'on se prononcera
sur l'absence de l'effet de la catégorie considérée sur la
variable expliquée. Cette interprétation est valable lorsque la
variable indépendante est qualitative.
Dans le cas où la variable indépendante est
quantitative continue, le chercheur n'a pas besoin de la modalité de
référence pour l'interprétation de résultat. Dans
ce cas l'interprétation change.
Alors, quand l'exp(â) d'une catégorie est
significativement supérieure à 1, l'on dira que l'augmentation
d'une unité de l'écart-type de la variable indépendante
améliore la probabilité de la variable dépendante de la
partie décimale de l'exp(â) d'autant de pourcentage. Par contre,
si l'exp(â) est significativement inférieur à 1, l'on dira
que la diminution d'une unité de l'écart-type de la variable
indépendante réduit la probabilité de la variable
dépendante de la partie décimale de l'exp(â) d'autant de
pourcentage. Et si l'exp(â) est égal à 1, il n'y a pas de
changement.
Enfin, sur l'intervalle de confiance, le seuil de
signification couramment accepté est de 0,05, soit 5%. Par
conséquent, n'est retenu pour figurer dans l'équation du
modèle de régression logistique, tout coefficient(â) dont
le seuil de signification est inférieur ou égal à (S)
0,05. Il en est de même pour la valeur de la constante. La constante dont
le seuil de signification est supérieur (>) à 0,05 ne figurera
pas dans l'équation du modèle de régression
logistique.58
58 Pr. Dr. Beaujolais BOFOYA KOMBA, Statistique pour
économiste, 2ème Edition, 2009,Pg.150
59
III.1. Le modèle de régression logistique
binaire a. ESTIMATION DU MODELE LOGISTIQUE Dans cette section, il est
question d'estimer un modèle mettant en relation l'insertion des jeunes
dans le secteur public à Goma et la connaissance, l'effet d'origine
social ainsi que le statut matrimonial.
Etant donné que la variable dépendante, ici
l'insertion, est une variable qualitative dichotomique (c'est-à-dire
ayant deux modalités), nous estimons un modèle Logistique
spécifié comme suit :
Ln ( Pt)
= al) + a1Connaissancel + a2Eff
etdorii + a3Statmatrii + et
1-Pi
(1-PL) = la probabilité d'être
engagé dans le secteur public à Goma
- Connaissances = la connaissance de l'individu
i
- Effetdoril = l'effet d'originede
l'individu i
- Statmatris = le statut matrimonial de
l'individu i
- es = residu d'estimation relatif à
l'individu i
b. ESTIMATION DU MODELE LOGISTIC Tableau n°20
. logit insertion connaissance sexe niveaudetude religion
test statmatri
> effetdori
Iteration 0: log likelihood = -103.97208
Iteration 1: log likelihood = -94.589332
Iteration 2: log likelihood = -94.581414
Iteration 3: log likelihood = -94.581414
Logistic regression Number of obs = 150
LR chi2(7) = 18.78
Prob > chi2 = 0.0089
Log likelihood = -94.581414 Pseudo R2 =
0.0903
|
insertion
|
Coef.
|
Std. Err.
|
z
|
P>|z|
|
[95% Conf.
|
Interval]
|
|
connaissance
|
.9174976
|
.3937481
|
2.33
|
0.020
|
.1457655
|
1.68923
|
|
sexe
|
.193623
|
.3789437
|
0.51
|
0.609
|
-.549093
|
.936339
|
|
niveaudetude
|
.3261914
|
.4034702
|
0.81
|
0.419
|
-.4645958
|
1.116979
|
|
religion
|
.0733435
|
.157299
|
0.47
|
0.641
|
-.2349569
|
.381644
|
|
test
|
-1.267196
|
.5142346
|
-2.46
|
0.014
|
-2.275078
|
-.2593151
|
|
statmatri
|
.3288892
|
.2718971
|
1.21
|
0.226
|
-.2040193
|
.8617978
|
|
effetdori
|
-.5252171
|
.3639438
|
-1.44
|
0.149
|
-1.238534
|
.1880997
|
|
_cons
|
.5775557
|
.5805915
|
0.99
|
0.320
|
-.5603827
|
1.715494
|
Source : nos estimations à l'aide du
logiciel STATA
60
1° TEST DE SIGNIFICATIVITE INDIVIDUELLE DES
VARIABLES INDEPENDANTES
Les hypothèses de ce test sont les suivantes :
H0 : la variable indépendante n'explique pas
significativement la variable dépendante
H1 : la variable indépendante explique
significativement la variable dépendante
Au seuil de 5%, on rejette l'hypothèse nulle tout
simplement si la valeur de la probabilité P associé à la
statistique Z de la variable explicative est inférieure à
0.05.
Au regard de ce qui précède, nous constatons que
:
- La connaissance de l'individu explique significativement la
probabilité de son insertion dans le secteur public, car la valeur P
associé à la statistique Z de connaissance égale à
0.020, qui est inférieure à 0.05. Par ailleurs le coefficient de
la variable connaissance a le signe positif, ce qui veut dire que la
connaissance de l'individu explique positivement la probabilité de son
insertion dans le secteur public à Goma. En d'autres termes, plus
l'individu est connu, plus il a la chance de s'insérer dans la fonction
publique à Goma.
- Le sexe d'un individu n'explique pas significativement la
probabilité de son insertion dans le secteur public à Goma, car
la valeur P associé à la statistique Z de sexe égale
à 0.609, qui est supérieure à 0.05. Par ailleurs le
coefficient de la variable statut sexe a le signe positif, ce qui veut dire que
le sexe d'un individu, bien que non significatif influence positivement sur la
probabilité de son insertion dans le secteur public à Goma.
- Le niveau d'étude d'un individu n'explique pas
significativement la probabilité de son insertion dans le secteur public
à Goma, car la valeur P associé à la statistique Z de
niveau d'étude égale à 0.419, qui est supérieure
à 0.05. Par ailleurs le coefficient de la variable niveau d'étude
a le signe positif, ce qui veut dire que le niveau d'étude d'un
individu, bien que non significatif influence positivement sur la
probabilité de son insertion dans le secteur public à Goma.
- La religion d'un individu n'explique pas significativement
la probabilité de son insertion dans le secteur public à Goma,
car la valeur P associé à la statistique Z de religion
égale à 0.641, qui est supérieure à 0.05. Par
ailleurs le coefficient de la variable religion a le signe positif, ce qui veut
dire que la religion d'un individu, bien que non significatif influence
positivement sur la probabilité de son insertion dans le secteur public
à Goma.
- Le résultat du test d'un individu explique
significativement la probabilité de son insertion dans le secteur
public, car la valeur P associé à la statistique Z de
connaissance
61
égale à 0.014, qui est inférieure
à 0.05. Par ailleurs le coefficient de la variable test a le signe
négatif, ce qui veut dire que le résultat du test de l'individu
explique négativement la probabilité de son insertion dans le
secteur public à Goma.
- Le statut matrimonial d'un individu n'explique pas
significativement la probabilité de son insertion dans le secteur public
à Goma, car la valeur P associé à la statistique Z de
statut matrimonial égale à 0.226, qui est supérieure
à 0.05. Par ailleurs le coefficient de la variable statut matrimonial a
le signe positif, ce qui veut dire que le statut matrimonial d'un individu,
bien que non significatif influence positivement sur la probabilité de
son insertion dans le secteur public à Goma.
- L'effet d'origine d'un individu n'explique pas
significativement la probabilité de son insertion dans le secteur public
à Goma, car la valeur P associé à la statistique Z d'effet
d'origine égale à 0.149, qui est supérieure à 0.05.
Par ailleurs le coefficient de la variable effet d'origine a le signe
négatif, ce qui veut dire que l'effet d'origine d'un individu, bien que
non significatif influence négativement sur la probabilité de son
insertion dans le secteur public à Goma.
2° TEST DE SIGNIFICATIVITE GLOBALE DU
MODELE
Dans le modèle de régression linéaire
avec variable dépendante continue, il est usuel de tester
l'hypothèse que les variables explicatives sont globalement
significatives ; ce qui revient à utiliser le test de Fisher.
Dans le cas des modèles estimés par maximum de
vraisemblance, comme le modèle logistique, un test analogue est
employé, fondé sur le rapport des vraisemblances.
Pour juger de la qualité du modèle on se sert du
rapport du maximum de vraisemblance (LR statistique). Pour notre cas il est
égal à 18.78 et il est significatif car la
probabilité qui lui est associée est de 0.0089,
inférieure à 0.05. Nous pouvons donc conclure que les
variables Connaissance, sexe, Niveau d'étude, Religion, Test, statut
matrimonial et Effet d'origine expliquent globalement et d'une manière
significative la probabilité d'un individu d'être
inséré dans le secteur public à Goma.
3° TEST D'AJUSTEMENT DU MODELE : TEST DE
HOSMER-LEMESHOW
Les hypothèses de ce test sont les suivantes :
HO : le modèle est bien ajusté
H1 : le modèle est mal ajusté
On rejette l'hypothèse nulle si la valeur de P
associée à la statistique H-L, est inférieure à
0.05.
62
Tableau n° 21: Test de HOSMER-LEMESHOW
|
Goodness-of-Fit Evaluation for Binary Specification
|
|
Andrews and Hosmer-Lemeshow Tests
|
|
Equation: UNTITLED
|
|
Date: 07/17/19 Time: 16:26
|
|
Grouping based upon predicted risk (randomize ties)
|
|
Quantile of Risk
|
Dep=0
|
Dep=1
|
Total
|
H-L
|
|
Low
|
High
|
Actual
|
Expect
|
Actual
|
Expect
|
Obs
|
Value
|
|
|
1
|
0.2288
|
0.2919
|
12
|
11.2743
|
3
|
3.72572
|
15
|
0.18808
|
|
2
|
0.2919
|
0.3506
|
7
|
10.0691
|
8
|
4.93087
|
15
|
2.84582
|
|
3
|
0.3506
|
0.3807
|
11
|
9.47945
|
4
|
5.52055
|
15
|
0.66271
|
|
4
|
0.3834
|
0.4135
|
8
|
8.97072
|
7
|
6.02928
|
15
|
0.26133
|
|
5
|
0.4135
|
0.4583
|
11
|
8.45966
|
4
|
6.54034
|
15
|
1.74954
|
|
6
|
0.4583
|
0.5131
|
7
|
7.69826
|
8
|
7.30174
|
15
|
0.13011
|
|
7
|
0.5131
|
0.5926
|
7
|
6.70547
|
8
|
8.29453
|
15
|
0.02340
|
|
8
|
0.6038
|
0.6850
|
5
|
5.29094
|
10
|
9.70906
|
15
|
0.02472
|
|
9
|
0.6850
|
0.7638
|
3
|
4.27154
|
12
|
10.7285
|
15
|
0.52921
|
|
10
|
0.7731
|
0.8957
|
4
|
2.78055
|
11
|
12.2194
|
15
|
0.65650
|
|
|
|
Total
|
75
|
75.0000
|
75
|
75.0000
|
150
|
7.07141
|
|
|
H-L Statistic
|
7.0714
|
|
Prob. Chi-Sq(8)
|
0.5289
|
|
|
Andrews Statistic
|
9.5142
|
|
Prob. Chi-Sq(10)
|
0.4841
|
|
Source : nos estimations à l'aide du
logiciel EVIEWS10
Nous constatons que la probabilité associée
à la statistique H-L égale à 0.5289, supérieure
à 0.05 ; ce qui nous amène à ne pas rejeter
l'hypothèse nulle et à conclure que notre modèle
spécifié sous forme logistique est bien ajusté.
| 
