|
Prédisposition à adopter le décorticage mécanique et la fortification en fer du sorgho : cas des ménages consommateurs de "dibou" du village Thian, commune de Parakou.( Télécharger le fichier original )par Morest AGOSSADOU Université d'Abomey-Calavi - Ingénieur agro-économiste 2011 |
5.1.6. 3.6. Outils et méthodes d'analyse des données.Afin d'atteindre les objectifs fixés et de tester les hypothèses formulées, différents outils et méthodes ont été utilisés. Ces outils et méthodes d'analyse sont présentés par hypothèse. Hypothèse 1 : Des facteurs d'ordre socio-économiques déterminent la disposition des `'chefs cuisine'' à adopter le décorticage mécanique et la fortification en fer du sorgho. Il a été question ici de mesurer l'influence des caractéristiques socioéconomiques et des opinions des personnes interrogées sur les attributs de l'unité sur leur disposition à adopter la technologie. En d'autres termes, nous recherchons les variables socioéconomiques qui réduisent ou augmentent la probabilité d'adopter le décorticage mécanique et la fortification en fer du sorgho. A cet effet, les outils d'analyse les plus appropriés sont ceux de la régression. Mais, la difficulté majeure reste au niveau du choix du modèle de régression approprié. N'importe quel modèle de régression ne peut être utilisé pour n'importe quelle régression (Maddala, 1983 ; Gourieroux, 1989; Pindyck et Rubinfeld, 1991; Doucouré, 2002). C'est d'abord la nature continue ou discontinue des variables qui déterminent le choix du modèle de régression. Ici, la variable dépendante qui est la prédisposition des ménages à adopter le décorticage mécanique et la fortification en fer du sorgho est dichotomique (ou binaire). Une variable dichotomique est une variable qui ne peut prendre que deux modalités exclusives l'une de l'autre, comme «Oui/Non» ou «Inférieur ou égal à/Strictement supérieur à». Dans le cas de notre étude, soit l'enquêtée est prédisposée à adopter la technologie soit elle ne l'est pas ; il faut donc recourir à des modèles économétriques appropriés. Les modèles analytiques les plus largement utilisés dans ces types d'étude sont les modèles Probit (ou Normit), Logit et Tobit. Le modèle Tobit ou modèle de régression à variable dépendante limitée s'utilise lorsque nous avons des informations sur l'adoption ou non d'une technologie et mieux, si nous avons des informations sur le niveau d'utilisation de la technologie. De plus, il fait appel à des calculs mathématiques assez complexes. Pour ces raisons, ce modèle d'analyse ne sera pas utilisé dans le cadre de cette étude. Les modèles Probit et Logit ont des caractéristiques proches (Amemiya, 1981). Il faut toutefois noter une différence majeure entre ces deux modèles. En effet, le modèle Logit se base sur la loi logistique de distribution de probabilité tandis que le modèle Probit se base sur la loi normale. Ces deux modèles aboutissent à des résultats similaires (Amemiya, 1981 ; Maddala, 1983). Dès lors, il n'y a pas de raison persuasive de choisir l'un plutôt que l'autre. Pratiquement, beaucoup de chercheurs adoptent le modèle Logit parce qu'il est mathématiquement plus simple (Gujarati, 2004 ; p.612). Au regard de ce qui précède, le modèle Logit est retenu pour le test de cette première hypothèse. Etant donné que la variable dépendante dans notre cas ne peut prendre que deux valeurs (1 pour la prédisposition à adopter le décorticage mécanique et la fortification en fer du sorgho et 0 pour le cas contraire), nous avons utilisé le Logit binomial. Le modèle se présente comme suit:
L'estimation de notre modèle Logit est basée sur la méthode de maximum de vraisemblance. L'analyse des résultats de ce modèle porte essentiellement sur les points suivants : · La qualité du modèle La qualité du modèle peut être appréciée en utilisant la vraisemblance du modèle qui suit une loi de Khi-deux. Le modèle est dit globalement significatif, lorsque la valeur de la vraisemblance est supérieure à celle du Khi-deux au même degré de liberté, à un seuil donné (1%, 5% ou 10%). De façon plus directe, le modèle est dit bon lorsque la probabilité du ratio de vraisemblance est inférieure au seuil de signification choisi. · Le pouvoir de prédiction du modèle Le pouvoir de prédiction du modèle permet de confirmer l'adéquation du modèle pour l'étude. Il est donné par le pourcentage de fausses ou vraies prédictions. Plus il y a de vraies prédictions, mieux les résultats du modèle peuvent être utilisés pour faire des estimations. · Les signes des coefficients estimés La valeur numérique des coefficients estimés n'a pas vraiment d'intérêt en soi. Par contre, les signes de ces coefficients sont importants. Ils indiquent si la variation associée influence la probabilité à la hausse ou à la baisse. Autrement dit, ces signes indiquent dans quel sens la variation de la variable explicative influence la variation de la variable expliquée. A chaque signe des coefficients est associée une significativité qui revêt une grande importance. Elle est donnée par une probabilité qui indique dans quel intervalle de confiance le signe peut être utile. Cet intervalle peut être de 90%, 95% ou 99% selon que la probabilité associée au signe est respectivement inférieure à 10%, 5% ou 1%. Spécification du modèle Soit
Les Les La décision de décortiquer, fortifier son
sorgho et payer pour ces opérations intervient seulement lorsque l'effet
combiné des facteurs atteint une valeur critique, à partir de
laquelle l'individu choisit. En supposant que l'effet est mesuré par un
indice non observable si
Les
AGE : cette variable désigne l'âge de l'enquêtée. On s'attend à un effet négatif. En effet, plus le répondant prend de l'âge, moins elle est apte à se reproduire puisque proche de la ménopause ou déjà en ménopause. De plus, dans ces conditions, la probabilité est faible qu'elle ait à sa charge des enfants de moins de 5 ans. Sachant que les enfants de moins de 5 ans et les femmes enceintes sont la principale cible de l'anémie ferriprive, on pourrait donc s'attendre à ce que les `'chefs cuisine'' âgées soient moins prédisposées que les jeunes. INSTRU : représente l'instruction ou non du répondant. Nous nous attendons à un signe positif de cette variable car, instruit, le répondant comprendra plus le scénario auquel il sera soumis et donc, plus il sera ouvert aux initiatives visant à améliorer son état sanitaire et celui de ses proches. REVENU : désigne le revenu de l'enquêtée. Nous nous attendons à un signe positif de cette variable, car plus le revenu est élevé, plus l'individu est favorable aux innovations, car il pourra supporter les charges qui y sont liées. ANEMIE : indique le passé du ménage par rapport à l'anémie. L'idée ici est que les ménages ayant au moins un membre qui a déjà souffert de l'anémie seront plus prédisposés à adopter la technologie qui leur est proposée pour justement l'éradiquer. Nous nous attendons donc à un signe positif. MEPROD : indique si le sorgho fait partie des spéculations agricoles produites au sein du ménage. Nous nous attendons, pour cette variable, à un effet positif, car, nous présumons que le ménage producteur de sorgho sera un ménage qui dépense moins pour se procurer du sorgho à consommer, et pourra donc être plus disposé à adopter la technologie. QUANT : représente la quantité moyenne de sorgho que le ménage consacre à la consommation de dibou. Un effet positif est attendu. En effet, plus grande est la quantité de sorgho moulu chaque fois que l'enquêtée va au moulin, plus élevé sera le taux des FAN dans la farine et plus exposés en seront les consommateurs. APPP : cette variable désigne l'appartenance ou non de l'enquêtée à la phase pilote du projet. Il est attendu un signe positif, car on estime que les répondants ayant participé à la phase pilote ont une bonne connaissance des risques d'anémie ferriprive liés à la consommation du dibou issu de sorgho non décortiqué, et ont également une bonne connaissance des attributs de l'unité de décorticage et de fortification. DISUNIT : distance entre le ménage et l'unité. On s'attend ici à un signe négatif. Plus élevé est la distance qui sépare la demeure du répondant de l'unité de décorticage et de fortification, moins il se donnera la peine d'y aller. Il préfèrera aller moudre directement son sorgho dans une minoterie plus proche de chez lui. COMPLX : complexité perçue de la procédure de décorticage mécanique et de la fortification en fer du sorgho. Plus la procédure de décorticage et de fortification est perçue comme complexe par l'enquêtée, moins elle sera disposée. Un effet négatif est attendu. COMPAT : compatibilité de la technologie avec les normes et valeurs du ménage. Un effet positif est attendu lorsque la technologie est compatible avec les normes et valeurs du ménage ou de l'enquêtée. STATU : statut social de l'enquêtée après l'adoption de la technologie. Un effet positif est attendu lorsque l'enquêtée perçois la technologie comme pouvant améliorer son statut social. QUALMOUT : qualité de la mouture de la minoterie qui se situe dans le même local que la décortiqueuse. En effet, les enquêtées ont été informées du fait qu'elles ont la possibilité de décortiquer et fortifier leur sorgho au sein de l'unité, et moudre dans la meunerie de leur choix. Cependant, plus la qualité de la mouture de la minoterie qui se situe dans le même local que la décortiqueuse est meilleure, plus les `'chefs cuisine'' seront prédisposées à adopter l'innovation, car cela leur éviterait de faire beaucoup de mouvements avant d'avoir la farine améliorée. La nature des variables, leurs codes, modalités et les signes attendus sont résumés dans le tableau 2. Tableau 2 : Noms, types, codes, modalités et signes attendus des coefficients des variables du modèle Logit.
Note : (/) est mis pour la non disponibilité de modalités particulière Hypothèse 2 : Le consentement à payer des `'chefs cuisine'' pour le décorticage mécanique et la fortification en fer du sorgho est influencé par leurs conditions socio-économiques. Il a été question, à ce niveau, de mesurer l'influence des conditions socioéconomiques des personnes prédisposées à adopter la technologie sur leur consentement à payer. Rappelons que le consentement à payer peut être vu sous deux angles : participation (probabilité d'accepter ou non de payer) et valorisation (montant consentit à payer). La participation a été prise en compte par l'hypothèse 1 ; pour le compte de cette deuxième hypothèse, seule la valorisation est considérée. Pour ce faire, les montants que les `'chefs cuisine'' prédisposées à adopter la technologie sont prêtes à payer pour le décorticage mécanique et la fortification en fer du sorgho sont recueillis en utilisant la méthode d'évaluation contingente, puis les facteurs qui pourraient les influencer sont identifiés en utilisant une régression linéaire. Méthode d'évaluation contingente L'évaluation contingente est une méthode d'enquête conçue dans le but d'amener les individus à révéler leurs préférences, afin de donner une valeur à des biens publics qui n'ont pas de prix sur le marché (Maresca et al, 2006). Pour Johansson (1987) cité par Blanchemanche et al. (2009), la méthode d'évaluation contingente consiste à collecter des informations sur les préférences des consommateurs, en leur demandant ce qu'ils consentiraient à payer pour un changement de dotation en bien ou service non-marchand, ou bien la compensation minimum qu'ils exigeraient si le changement n'a pas lieu. Elle a beaucoup servi dans le domaine de l'environnement (gestion des déchets, amélioration de la qualité de l'air, dommages causés par des marées noires, etc.) qui est d'ailleurs son premier champ d'application. Elle a été utilisée par Ouedraogo et al. (2007) dans la gestion des risques en agriculture urbaine irriguée, notamment pour évaluer le consentement à payer pour une amélioration de la qualité de l'eau pour le maraîchage dans les villes de Ouagadougou et de Bobo-Dioulasso au Burkina-Faso. En 2007, Monsi Agboka s'est servie d'elle pour évaluer la valeur économique des plantes utilisées pour les soins gynécologiques dans les terroirs autour de la Réserve de Biosphère de la Pendjari au Bénin. En 2010, cette méthode a été utilisée par l'Agence de l'Eau Rhin-Meuse dans le cadre d'une étude coûts-bénéfices de l'amélioration de la qualité d'un cours d'eau dans la région de la Bouvade en France. La méthode d'évaluation contingente procède par interrogation directe des individus. Elle conduit les individus à déclarer des intentions de paiement quant à une modification de la quantité (ou de la qualité) d'un bien environnemental particulier. Cette méthode s'est révélée incontournable plus tard dans beaucoup de pays, et dans beaucoup d'autres domaines que l'environnement, notamment dans les domaines de l'alimentation (Blanchemanche et al. (2009)), de la santé (Le Goff et Nassiri (2005)), de la télécommunication, etc. bien qu'elle expose le chercheur (s'il n'y prend garde) à des biais tels que le biais stratégique, le biais de l'information et le biais hypothétique. Tout ceci nous a amené à retenir cette méthode pour déterminer la valeur que les ménages `'consommateurs'' de dibou accordent à une amélioration nutritionnelle de leur repas. Pour arriver à cette fin, des modèles ou combinaisons de modèles économétriques sont utilisés. Mais, le choix du modèle ou de la combinaison de modèles économétriques dépend du mode de révélation de la valeur utilisé. Terra (2005) identifie cinq (5) modes de révélation de la valeur. Ces différents modes de révélation avec leurs caractéristiques respectives sont présentés dans le tableau 3. Tableau 3: Caractéristiques des différents modes de révélation de la valeur.
Source : Terra, 2005 Note : ( ?) est mis pour les cellules où l'information n'est pas connue. D'après l'analyse de ce tableau, la question ouverte nous semble plus adéquate et sera donc retenue pour l'évaluation monétaire du bien qui est la farine issue de sorgho décortiqué et fortifié avec du fer, vu le niveau d'effort cognitif, le niveau du risque d'ancrage et la taille de l'échantillon requise. Le faible niveau d'incitation observé chez les enquêtés est dû au fait que la plupart des enquêtes qui ont conduit à la réalisation de ce tableau sont faites par téléphone, e-mail ou la poste. Nous espérons donc que ce niveau d'incitation à la révélation sera stimulé avec notre moyen d'enquête qui est direct (enquêté face à enquêteur). Lorsque l'option est faite d'utiliser la question ouverte comme mode de révélation de la valeur du bien, Terra (2005) recommande l'utilisation du modèle de Heckman (ensemble modèle Probit et regression linéaire) lorsque le pourcentage de « vrais zéro » est inférieur à 10 % et l'utilisation du modèle Tobit autrement. On parle de « vrais zéros » lorsque la valeur 0 du CAP correspond réellement à la valeur que le répondant accorde au bien ou service, les « faux zéro » étant les valeurs nulles déclarées par l'enquêtée mais ne correspondant pas à la vraie valeur accordée au bien ou au service. Dans le cadre de cette étude, l'hypothèse 1 nous a amené à faire un tri qui a permis d'identifier les personnes prédisposées (i.e. oui au décorticage, fortification et payement des frais y afférents) et les personnes non prédisposées (i.e. oui au décorticage et fortification mais non au payement des frais y afférents ou bien non au décorticage, fortification et payement des frais y afférents). Ce qui a fait que les valorisations retenues pour le test de l'hypothèse 2 sont celles qui sont strictement supérieures à zéro. Les vrais et faux zéros ne sont donc pas considérés dans le test de cette hypothèse 2. Et puisque les modèles de Heckman et Tobit ont besoin de ces « zéros » pour être estimés, notre choix a porté sur un modèle de régression linéaire par la méthode des moindres carrés pour le test de notre deuxième hypothèse. Ce modèle se présente comme suit :
Avec : K= nombre de variables explicatives
L'estimation de ce modèle est basée sur la méthode des moindres carrés ordinaires (MCO). L'analyse des résultats du modèle porte essentiellement sur les points suivants : · La signification globale du modèle Il s'est agit de tester l'hypothèse · La qualité de l'ajustement du modèle Il s'agit de la proportion (pourcentage) de la variation
totale de la variable dépendante · Les signes et leur signification Comme dans le cas du premier modèle, les signes des coefficients sont importants. Ils indiquent dans quel sens la variation de la variable explicative influence la variation de la variable expliquée. A chaque signe des coefficients est associée une significativité qui revêt une grande importance. Elle est donnée par une probabilité qui indique dans quel intervalle de confiance on peut compter sur le signe. Cet intervalle peut être de 90%, 95% ou de 99% selon que la probabilité associée au signe est respectivement inférieure à 10%, 5% ou 1%. Spécification du modèle Le modèle empirique peut s'écrire :
Avec,
AGE : variable désignant l'âge de l'enquêtée. On s'attend à un effet négatif. En effet, plus le répondant prend de l'âge, moins elle est apte à se reproduire puisque proche de la ménopause ou déjà en ménopause. De plus, dans ces conditions, la probabilité est faible qu'elle ait à sa charge des enfants de moins de 5 ans. Sachant que les enfants de moins de 5 ans et les femmes enceintes sont la principale cible de l'anémie ferriprive, on pourrait donc s'attendre à ce que plus l'âge des `'chefs cuisine'' augmente, plus leurs CAP seront faibles. REVENU : désigne le revenu de l'enquêtée. Nous nous attendons à un signe positif de cette variable, car plus le revenu de l'enquêtée est élevé, plus elle pourra en utiliser pour améliorer la qualité nutritionnelle de son repas. PERSCHARG : désigne le nombre total de personnes à charge de l'enquêtée. Il est attendu un effet négatif. En effet, plus le répondant a de personnes à sa charge, plus il aura d'individus à nourrir et plus grandes seront les dépenses du ménage. N'ayant donc plus assez d'excédents de ressources, son consentement à payer est susceptible de diminuer. APPP : cette variable désigne l'appartenance ou non de l'enquêtée à la phase pilote du projet. Il est attendu un signe positif car nous présumons que les répondants ayant participé à la phase pilote ont une bonne connaissance des risques d'anémie ferriprive liés à la consommation du dibou issu de sorgho non décortiqué et ont également une bonne connaissance des attributs de l'unité de décorticage et de fortification. Leurs consentements à payer devrait être plus élevés. ANEMIE : indique le passé du ménage par rapport à l'anémie. L'idée ici est que les ménages ayant au moins un membre qui a déjà souffert de l'anémie seront prêts à donner `'tout'' ce qu'ils peuvent pour ne plus côtoyer ce mal car les dépenses liées à son traitement seraient outrancières. Nous nous attendons donc à un signe positif. QUANT : représente la quantité moyenne de sorgho que le ménage consacre à la consommation de dibou. Un effet négatif est attendu. En effet, plus grande est la quantité de sorgho moulu chaque fois que l'enquêtée va au moulin, plus élevé seront les charges liées à la mouture. Elle ne sera donc plus en mesure de consacrer un montant assez important pour le décorticage et la fortification. Son consentement à payer sera donc `'petit''. APMARI : désigne la disposition du mari de l'enquêtée à l'appuyer. Cet appui est soit financier (augmentation de l'argent de popote) soit en nature (augmentation de la quantité de sorgho). Un effet positif de cette variable est attendu. En effet, le décorticage du sorgho réduit la quantité de farine et par conséquent diminue soit le nombre de jours que doit faire le contenu du grenier du ménage, soit le niveau de satisfaction. Pour faire face à ces difficultés, les ménages seront obligés d'augmenter la contenance de leurs greniers. Les `'chefs cuisine'' qui bénéficieront de l'appui de leur mari dans ce sens auront un consentement à payer élevé. STATU : statut social de l'enquêtée après l'adoption de la technologie. Un effet positif de cette variable sur le CAP est attendu lorsque l'enquêtée perçois la technologie comme pouvant améliorer son statut social. La nature des variables, leurs codes, modalités et les signes attendus sont résumés dans le tableau 4. Tableau 4 : Noms, types, codes, modalités et signes attendus des coefficients des variables du modèle de régression linéaire multiple.
Note : (/) = pas d'informations. L'utilisation des MCO ne serait pas raisonnable si certaines
conditions/hypothèses ne sont pas
réunies/vérifiées. Ces hypothèses
« simplificatrices » sont au nombre de onze (Gujarati,
2004). En pratique, certaines de ces hypothèses (par exemple Tableau 5: Hypothèses à vérifier, problèmes liés à leur violation et méthodes/tests utilisées pour leur détection.
Hypothèse 3 : L'activité de décorticage mécanique et de fortification en fer du sorgho est financièrement rentable. Plusieurs méthodes existent pour le test de cette hypothèse. Il s'agit entre autre de la méthode de trésorerie prévisionnelle, de la méthode d'établissement des comptes d'exploitation générale prévisionnels et de la méthode des cash-flows. La méthode de trésorerie prévisionnelle consiste à prévoir période5(*) par période, les recettes totales et les dépenses totales liées à l'exercice d'une activité donnée. La différence entre recettes totales et dépenses totales permet de prévoir la situation de la trésorerie en fin de chaque période. La limite de cette méthode est qu'elle ne prend pas en compte les amortissements. Elle ne s'intéresse donc pas au renouvellement des biens immobilisés. Elle ne sera pas utilisée dans le cadre de notre étude. L'établissement des comptes d'exploitation générale prévisionnels consiste à prévoir période par période les produits totaux et les charges totales liés à l'exercice d'une activité donnée. La différence entre produits totaux et charges totales permet de calculer les résultats de l'activité à la fin de chaque période. Cette méthode prend en compte les amortissements, mais ne prévoit pas de la liquidité pour leur renouvellement. C'est en cela que réside sa limite. Elle ne sera donc pas utilisée dans le cadre de notre travail. La méthode des cash-flows est semblable aux deux précédentes. Elle prévoit également période par période, les coûts totaux et les bénéfices totaux liés à l'exercice d'une activité donnée : on parle d'analyse coûts-bénéfices. La différence entre cette méthode et les deux autres est qu'elle tient compte automatiquement de l'amortissement puisqu'elle prévoit une année zéro au cours de laquelle les biens immobilisés sont acquis, le renouvellement des immobilisations en fonction de leur durée de vie et l'inscription de leurs valeurs résiduelles dans les bénéfices à la fin de l'exercice. Elle prévoit également en année zéro le capital de fonctionnement6(*) (ou fond de roulement) qui est la somme totale nécessaire à l'autofinancement quotidien de l'exécution de l'activité. Cette méthode des cash-flows vient combler les lacunes présentées par les autres. Elle est donc celle qui a été retenue et utilisée dans le cadre de cette étude. ECOFIN (2004) propose quatre critères pour déterminer la durée de l'analyse financière d'un projet. Parmi ces critères, figure la durée de vie du point de vue technique/économique des biens les plus coûteux du projet. Dans notre cas, l'analyse a été effectuée sur une période équivalente à la durée de vie de la décortiqueuse qui est le bien le plus coûteux. Les coûts d'existence et de fonctionnement et les bénéfices de la plate-forme ont été ensuite calculés par année. Les cash-flows ont été également calculés par année suivant la formule :
En nous servant des cash-flows par années, nous avons calculé la Valeur Actuelle Nette (VAN) du profit généré par l'investissement et le Taux de Rentabilité Interne (TRI) de l'activité. La VAN a été calculée après application d'un taux d'actualisation égal à 12 % correspondant au taux commercial généralement utilisé au Bénin. Si elle est supérieure à zéro, cette activité est considérée comme financièrement rentable. Il faut préciser que le test de cette hypothèse 3 s'est basé sur l'hypothèse de stationnarité des coûts et des bénéfices durant la période d'analyse. On parle de scénario « normal ». Lorsque le scénario « normal » se révèle favorable (VAN positive), on passe à au moins un scénario « pessimiste » (baisse des bénéfices et/ou augmentation des coûts), puis à au moins un scénario « optimiste » (baisse des coûts et/ou augmentation des bénéfices) pour voir la réaction de l'activité. Mais, lorsque le scénario « normal » est défavorable (VAN négative), on ne prévoit que des scénarii « optimistes ». Cette analyse qui consiste à prévoir des scénarii lors d'une analyse de rentabilité financière est appelée analyse de sensibilité. Elle a été réalisée dans le cadre de notre étude. Après la collecte, les données ont été saisies dans le logiciel ACCESS 2007 et traitées à l'aide des logiciels STATA/SE 10.0 pour l'estimation du modèle de régression linéaire, SPSS 16.0 pour l'estimation du modèle de régression logistique et le calcul des statistiques descriptives et EXCEL 2007 pour la réalisation des graphiques et l'évaluation de la rentabilité financière. Le traitement de texte a été effectué avec le logiciel Word 2007. * 5 : Généralement l'année * 6 : Dedehouanou définit le capital de fonctionnement comme la somme totale nécessaire au financement quotidien de l'exécution d'un projet. |
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Avec, 
= variable dépendante
= matrice des variables susceptibles d'expliquer la variation de Y
= erreur logistique de la distribution
la probabilité qu'associe le Logit à l'unité
d'enquête 
:
est un vecteur qui représente les caractéristiques de
l'unité d'enquête, de son environnement et de l'objet de son
choix.
représentent les coefficients des variables explicatives. 
représentent les variables explicatives.
pour l'individu, et 
la valeur critique de l'indice à partir de laquelle il
décide de décortiquer, fortifier son sorgho et payer pour ces
opérations, on a :
est supérieur à 
, alors l'individu choisit de décortiquer, fortifier son sorgho
et payer pour ces opérations et la variable de choix 
prend la valeur 1 ; dans le cas contraire, Y est égale à
0. Plus 
est supérieur à la valeur critique, plus la
probabilité est forte que l'individu choisisse de décortiquer,
fortifier son sorgho et payer pour ces opérations. Le modèle
empirique peut s'écrire de la manière suivante :
représentent les coefficients des variables explicatives.
est le terme de l'erreur.
= variable dépendante ou de réponse
= 
ème variable explicative ou régresseur
= résidu (ou erreur non observée)
. Pour ce faire, la statistique 
de Ficher a été calculée et les
interprétations ont été effectuées en
conséquence.
expliquée conjointement par les variables explicatives
. La grandeur qui mesure cette information est le coefficient de
détermination multiple 
.
= consentement à payer de l'individu 
= coefficient du régresseur 
= résidu
est aléatoire, 
est normal, E(
) = 0) peuvent être violées ou supposées
vérifiées. Mais celles relatives à la
non-colinéarité des régresseurs, à
l'homoscédasticité de la variance de l'erreur, à l'absence
d'autocorrélation des termes d'erreur et à la bonne
spécification du modèle de régression doivent être
testées et corrigées au cas où elles ne seraient pas
vérifiées. Puisque nos données sont en coupes
instantanées, il ne serait pas pertinent de tester
l'autocorrélation. Aussi, puisque le modèle de régression
linéaire a été estimé à l'aide du logiciel
STATA, l'option robust (ou ro) associée à la
commande reg (commande pour la régression linéaire) a
été utilisée pour corriger automatiquement les t
de Student de l'hétéroscédasticité par la
méthode de Withe. Le tableau 5 présente les hypothèses
restantes à vérifier, les problèmes liés à
leur violation et les méthodes/tests utilisées pour les
détecter.