3.3.3. Méthodes d'analyse statistique
Compte tenu des objectifs et des hypothèses de
l'étude, nous avons opté pour utiliser au niveau descriptif
l'analyse bi variée complété d'une Analyse factorielle des
correspondances multiples (AFCM). Au niveau explicatif, nous avons
utilisé la régression logistique.
3.3.3.1. Analyse descriptive
a. Analyse bi-variée
Le recours aux analyses bi variées est
nécessaire pour apprécier les interrelations entre les variables.
Ce qui est impossible avec un tri-à-plat. Les relations dépendent
de la nature des variables. Il s'agit pour nous ici de vérifier
l'association entre la variable dépendante et chacune des variables
indépendantes à l'aide de la statistique du khi-2. En plus, le
seuil de significativité retenu est de 5%.
b. Tableaux à trois entrés
Il s'agit ici d'étudier les relations entre la
pauvreté, la fécondité des adolescents et les autres
variables dépendantes en utilisant des tableaux à trois
entrées.
Pauvreté et Fécondité des Adolescentes
en Angola : Une Analyse Comparative entre 2006 et 2010.
c. Analyse descriptive multi-variée:
AFCM
Nous utiliserons ici l'analyse factorielle des correspondances
multiples (AFCM), qui est une technique d'analyse d'interdépendance
entre les variables qu'on veut analyser simultanément. Elle s'applique
à au moins deux variables. Elle permet de positionner dans un
repère orthonormé les modalités des réponses des
différentes variables. Deux principales options de l'analyse factorielle
des correspondances multiples seront utilisées à cet effet : la
description des axes. Elle permet de sélectionner les modalités
et de les classer par ordre d'importance dans la caractérisation des
axes factoriels. La description du plan permet de sélectionner les
modalités qui sont bien présentés sur le plan formé
par les axes et de les classer par groupes suivant leur voisinage. Dans le
cadre de notre étude, cette méthode permet de dresser le profil
des adolescentes ayant au moins une naissance vivante. Les différents
paramètres de cette méthode seront fournis à l'aide du
logiciel SPAD.5.
3.3.3.2. Analyse explicative
De par la nature de notre variable dépendante, la
régression logistique binaire est la méthode d'analyse
multi-variée explicative appropriée. Cette méthode estime
les risques ou la probabilité de survenance d'un événement
en fonction des variables indépendantes. La variable dépendante
prend la modalité « 1 » quand l'événement est
réalisé (adolescente féconde) et 0 si non. Ainsi, la
régression logistique estime la probabilité d'avoir au moins un
enfant avant l'âge de 20 ans. Il est précisément question
d'estimer l'effet net des variables indépendantes au fait d'être
féconde ou non au moment de l'enquête. Si P est la
probabilité que l'événement étudié (avoir au
moins un enfant avant 20 ans) se réalise, 1-P est la probabilité
que cet événement ne se réalise pas et le modèle de
régression logistique permet de mettre L= Log (P/(1-P)) sous la forme
linéaire suivante :
L = b0 + b1X1+ b2X2 + ... + bp Xp
OùX1, X2, ..., Xp sont les variables
indépendantes ou de classification et b0, b1, b2,..., blés
coefficients de régression du modèle.
Au modèle, est associée, une forme non
linéaire de la probabilité P qui se présente comme suit
:
P= 1/ (1+exp (-L)).
Pauvreté et Fécondité des Adolescentes
en Angola : Une Analyse Comparative entre 2006 et 2010.
Il y a lieu de noter que la régression logistique
utilise la méthode du maximum de vraisemblance pour estimer les
paramètres du modèle. Du fait de la non-linéarité
du modèle, ces paramètres sont estimés par
itération. Cette méthode est essentiellement probabiliste. Elle
fournit des coefficients de régression " âi " à partir
desquels on calcule les OddsRati(OR) ou rapports de chances (exp(â)).
Pour mieux interpréter les résultats, nous nous
intéresserons aux Odds Ratio. Un OR supérieur à 1 dans une
catégorie indique qu'il y a une plus grande probabilité que
l'adolescente ait au moins un enfant avant 20 ans, par rapport au groupe de
référence. Un rapport de chances inférieur à 1
signifie une probabilité plus faible que l'adolescente ait au moins un
enfant avant 20 ans dans la catégorie considérée par
rapport au groupe de référence
S'agissant de l'adéquation des modèles, on fera
recours au test statistique d'adéquation du modèle de
régression logistique aux données, fourni par la procédure
« lroc » du logiciel «STATA/SE 11.0». Toutefois, nous
présenterons les résultats des tests d'adéquation du khi
deux pour chaque modèle.
| 
