Analyse des déterminants de la pratique contraceptive moderne chez les femmes en union du Cameroun: cas de la ville de Yaoundé

III.3.4 Interprétation des résultats

D'après les résultats obtenus, on peut dire que dans la ville de Yaoundé, les femmes en union utilisatrices de la contraception moderne résident en général dans l'arrondissement de Yaoundé VI. Elles sont généralement des chrétiennes ayant un niveau d'instruction supérieure et un niveau socioéconomique élevé. En outre, elles travaillent dans le secteur public ou privé et ont discuté de la PF avec le conjoint. Par ailleurs, celui-ci a une attitude positive envers la Planification Familiale (PF). Ces femmes s'opposent à celles non utilisatrices de la contraception moderne. Celles-ci vivent en général dans l'arrondissement de Yaoundé I, ont un niveau d'instruction au plus primaire, sont des musulmanes, ont un niveau socioéconomique bas et exercent dans l'agriculture ou les petits métiers. Ces femmes n'ont pas discuté de la PF avec le conjoint ou ne connaissent pas son opinion. En outre, leur conjoint a une attitude négative. Par ailleurs, l'entourage féminin de ces femmes en union ne pratique pas l'avortement.

Ce constat se confirme grâce au nuage de points (graphique A3, Annexe A), où l'on constate que sur le premier axe factoriel il y a bien une opposition entre les deux groupes de femmes en union suscités.

Nous venons d'examiner les caractéristiques des femmes en union utilisatrices et non utilisatrices de la contraception moderne, ce qui nous a permis de mieux nous familiariser avec les données. Nous allons maintenant nous intéresser aux déterminants de comportements, en particulier les facteurs OCM. Ces facteurs provenant des questions à échelle, il faudra ici construire des scores qui pourront être utilisés comme variables indépendantes quantitatives dans le modèle logit afin de voir si le facteur influence l'utilisation de la contraception moderne.

III.4 Suivi des facteurs OCM de la pratique de la contraception moderne

Les facteurs OCM sont des facteurs qui peuvent connaître un changement grâce à des actions marketing efficaces de l'ACMS. On distingue trois groupes de facteurs, les facteurs d'opportunité, de capacité et de motivation. Nous allons tout d'abord présenter la méthodologie de construction des scores et ensuite nous passerons à leur construction. Cette méthodologie s'inspire du cadre conceptuel de L'ONG Population Service International (PSI).

III.4.1 Présentation de la méthodologie de construction des variables composites (scores)

La construction d'une variable composite (score) est utilisée pour les facteurs OCM. Elle passe par plusieurs étapes. Il faudrait au préalable disposer d'une bulle. Cette dernière est constituée d'un ensemble d'items⁵⁹ permettant de mieux cerner un concept donné. Ces items sont

59 C'est une déclaration qui permet de cerner la perception d'un individu quant à un phénomène donné

des déclarations posées à l'enquêté et dont les modalités de réponse sont présentées en échelle. Celle-ci varie de 1 à 4 suivant l'opinion totalement en désaccord, un peu en désaccord, un peu d'accord, totalement d'accord. Les items dont la négation semble être corrélée positivement avec l'utilisation de la contraception moderne sont codifiés de façon inverse c'est-à-dire de 4 à 1. Ensuite, une analyse factorielle⁶⁰ est utilisée pour la détermination des facteurs.

· Identification des facteurs

Les facteurs issus de l'analyse factorielle subissent ensuite un test de fiabilité (test de Cronbach⁶¹). Ce test peut être amélioré en supprimant quelques items fortement corrélés avec les autres. Enfin, le score moyen est calculé sur la base des items restants⁶². Il convient de préciser que seuls les items dont le pourcentage de données manquantes est inférieur à 15 % ⁶³sont pris en compte dans l'analyse.

Supposons par exemple qu'on ait la bulle « disponibilité »⁶⁴, composée de n items. La démarche à suivre pour aboutir à l'identification des facteurs et à la construction de leur score est la suivante :

Il faut tout d'abord vérifier que les déclarations (items) Q1 à Q_n sont chacune ordonnées dans un sens positif, dans le cas contraire les questions allant dans le sens négatif par rapport à la disponibilité (exemple : les contraceptifs modernes sont difficiles à trouver dans les environs d'ici), doivent subir une recodification à l'envers⁶⁵ ; puisqu'un score élevé doit traduire un aspect positif, par exemple une bonne disponibilité du produit et un score faible, son contraire.

Ensuite, pour déterminer les facteurs, on utilise l'analyse factorielle, afin de déterminer les différentes dimensions d'une bulle. Ces dimensions (facteurs) doivent être constituées des items qui expriment une idée commune. Mais avant d'engager l'analyse factorielle, il faut s'assurer que les données sont factorisables ; pour ce, nous effectuons le test de Kaiser-MeyerOklin (KMO) et le test de sphéricité de Bartlett. Pour que les données soient factorisables, il faut qu'elles soient corrélées entre elles. Ainsi, l'indice de KMO doit avoir une valeur supérieure à 0.60⁶⁶. Quant au test de sphéricité de Bartlett, il doit fournir une probabilité significative au seuil de 5 %.

L'hypothèse testée par Bartlett est :

60 Voir encadré C4 (ANNEXE C)

61 Voir encadréC5 (ANNEXE C)

62 PSI (2008)

63 Taux recommandé par la méthodologie de recherche de PSI et utilisée par l'ACMS

64 Voir encadré (ANNEXE C)

65A la modalité « totalement d'accord », on affecte le code 1, « un peu d'accord » reçoit le code 2 ainsi de suite

66 D'après LE MOAL (2002)

H0 : la matrice de corrélation n'a que des 1 en diagonale et 0 ailleurs (les variables ne sont pas corrélées). On rejette H0 si la p-value du test est inférieure au seuil de significativité.

Le Test de Kaiser-Meyer-Olkin (KMO), permet l'étude des corrélations (partielles) entre 2 variables. L'indice de KMO est égal au ratio de la somme des corrélations multiples sur la somme des corrélations multiples et partielles. L'indice de KMO doit être le plus grand possible, il est acceptable si l'indice est supérieur à 0,6 et inacceptable s'il est inférieur à 0,5.

Au cas où l'un de ces tests n'est pas validé, on peut recourir à l'analyse de la matrice des corrélations entre variables, afin de voir s'il existe tout de même des variables corrélées entre elles.

Nous utilisons la règle de Kaiser pour le choix du nombre d'axes. Cette règle consiste à choisir les facteurs dont la valeur propre est supérieure à 1. En effet, les valeurs étant standardisées, la variance de chaque variable est égale à 1. Cette règle peut être complétée par le test du coude qui recommande de retenir les facteurs dont la valeur propre se situe avant la cassure du coude.

Après cela, la démarche que nous suivons consiste à éliminer de l'analyse factorielle les items jugés inacceptables, et à procéder de manière itérative jusqu'à l'obtention d'une structure factorielle stable. Les données manquantes ne sont pas prises en compte dans la détermination des facteurs.

A l'issue de ces analyses, les facteurs qui en résultent vont subir un test de fiabilité (test de Cronbach)⁶⁷, afin de juger de la qualité du facteur. D'après la méthodologie de PSI, un facteur est jugé fiable si la statistique de Cronbach est supérieure ou égale à 0,7 et faiblement fiable, s'il est compris entre 0,65 et 0,70. On peut améliorer la valeur de la statistique de Cronbach en enlevant des items du facteur, mais il faudra que ceux-ci soient fortement corrélés aux autres items. A l'issue de ces analyses, nous ne retiendrons que les scores fiables ou faiblement fiables. Pour une bulle qui n'a aucun score fiable, nous choisirons un item dans cette bulle pour la représenter.

· Construction du score

Après avoir identifié les facteurs fiables, pour chaque facteur⁶⁸, nous construisons une variable dont la valeur est le score du facteur ainsi qu'il suit :

67 Voir encadré C5 sur le test de Cronbach, annexe C

68 Il faut préciser que chaque facteur doit être constitué d'au moins 3 items

Supposons qu'un seul facteur ait été extrait de la bulle « disponibilité », et qu'il soit composé de m items. Etant donné que les réponses possibles à chaque question sont codées de 1 à 4, la moyenne pour chaque question (Qj, j=1...m) varie également de 1 à 4. Ainsi, pour évaluer toute la bulle « disponibilité », on passe par une variable intermédiaire notée par exemple «dispo» et définie comme suit : dispo = (Q1+Q2+Q3+...+Q_m)/m. Comme les quantités Q1 à Q_m varient de 1 à 4, le score de la bulle « disponibilité» se situe entre 1 et 4 autour d'une valeur moyenne égale (1+4)/2=2,5. Par ailleurs, les questions Q1 à Q_m sont ordonnées dans un sens positif, les valeurs inférieures à cette moyenne témoignent généralement d'une disponibilité insuffisante du produit, tandis que les valeurs supérieures rendent compte d'une disponibilité plutôt satisfaisante du produit.

Cette variable « dispo » qui représente le score du facteur identifié sera utilisée dans le modèle de régression logistique comme variable indépendante quantitative, afin de voir si ce facteur est déterminant pour l'utilisation de la contraception moderne. Cette procédure sera répétée sur toutes les bulles afin d'identifier les facteurs et leurs scores.

Par ailleurs, si dans une bulle on a extrait plus d'un facteur fiable, alors la procédure permettant la construction du score est appliquée sur chaque facteur fiable distinctement.