Section 2 : Traitement
des données
2.1. Mesure statistique de la
corrélation entre le secteur agricole et le PIB
Le tableau n°3 de corrélation devient simple
à interpréter. Il s'agit d'un tableau croisé entre les
variables mises en relation.
Nous pouvons voir dans chaque case présentant le
croisement de deux variables la valeur du coefficient accompagné
d'astérisques si la corrélation est significative, le
degré de signification qui y est associé et le nombre
d'observations qui ont été croisées.
Comme la corrélation est une mesure symétrique,
on constate que le coefficient est le même pour l'association entre le
PIB et le secteur tertiaire et pour l'association entre le secteur tertiaire et
PIB.
|
Tableau n°3 : Corrélations
|
|
PIB
|
AGRICULTURE
|
|
PIB
|
Pearson Correlation
|
1
|
,992**
|
|
Sig. (2-tailed)
|
|
,000
|
|
N
|
30
|
30
|
|
AGRICULTURE
|
Pearson Correlation
|
,992**
|
1
|
|
Sig. (2-tailed)
|
,000
|
|
|
N
|
30
|
30
|
|
**. Correlation is significant at the 0.01 level (2-tailed).
|
Source : Elaboré sur base des analyses de SPSS
Nous remarquons que la corrélation est significative,
nous pouvons donc rejeter l'hypothèse nulle d'absence de relation entre
le secteur tertiaire et la croissance. Ceci signifie que la probabilité
d'obtenir un coefficient de cette taille dans une population où ces deux
variables ne sont pas reliées est de moins de 5 %. Nous
acceptons l'hypothèse alternative: il existe une relation
linéaire positive (puisque le coefficient est positif) entre les deux
variables.
Le coefficient de corrélation significatif nous donne
deux informations que l'on doit interpréter:
- le sens de la relation entre les variables : Comme le
coefficient est positif, plus le secteur agricole est élevé, plus
le PIB augmente. Nous pouvons également dire qu'une augmentation du PIB
implique qu'il y ait eu une augmentation du secteur agricole.
- la force de la relation (la taille d'effet) : En
examinant la valeur du coefficient (r = 0,992), nous pouvons dire que l'effet
de la relation entre ces deux variables est de grande taille et que
l'association est très forte.
2.2. Mesure statistique de la
participation du secteur agricole dans la formation du PIB par la
régression
En général, les modèles de
régression sont construits dans le but d'expliquer (ou prédire,
selon la perspective de l'analyse) la variance d'un phénomène
(variable dépendante) à l'aide d'une combinaison de facteurs
explicatifs (variables indépendantes). La régression
linéaire est appelée multiple lorsque le modèle est
composé d'au moins deux variables indépendantes. À
l'inverse, un modèle de régression linéaire simple ne
contient qu'une seule variable indépendante.
Comme il est excessivement rare, voire impossible, de
prédire un phénomène à l'aide d'une seule variable,
il est logique de comprendre l'impact du secteur tertiaire sur le PIB en
analysant non seulement les données relatives à ce secteur, mais
plutôt tous les autres secteurs qui en considération dans
l'explication de la croissance représenté dans cette étude
par PIB.
La question dont la régression linéaire
multiple permettra de répondre dans la présente étude est
la suivante :
- Quelle est l'influence de l'agriculture sur la croissance
économique ?
Hypothèse nulle
L'hypothèse nulle est qu'il n'y a pas de relation
linéaire entre la combinaison des variables indépendantes
(X1, X2, X3... Xn) et la variable
dépendante (Y).
L'hypothèse de recherche est l'inverse, soit
que la combinaison des variables indépendantes est associée
significativement à la variable dépendante.
Dans la présente étude,
la variable indépendante Y est représentée par le
PIB.
Les variables indépendantes sont :
X1 : AGRICULTURE
X2 : EXTRACTION
X3 : SECTEUR SECONDAIRE
X4 : SECTEUR TERTIAIRE
Cependant, la variable qui intéressera le
déroulement de la présente étude est l'agriculture
représenté par X
| 
