Memoire Online - Analyse des déterminants de la diversification des produits dans les IMF de la ville de Goma

Tableau n° 24 : Variables dans l'équation de notre modèle de diversification des produits.

Variables dans l'équation
		A	E.S.	Wald	Ddl	Sig.	Exp(B)
Etape 0	Constante	1,658	,546	9,239	1	,002	5,250

Le test de Wald est un test paramétrique économétrique dont l'appellation vient du mathématicien hongrois Abraham Wald (31 octobre 1902-13 décembre 1950) avec une grande variété d'utilisations. Chaque fois que nous avons une relation au sein des ou entre les éléments de données qui peuvent être exprimées comme un modèle statistique avec des paramètres à estimer, et tout cela à partir d'un échantillon, le test de Wald peut être utilisé pour « tester la vraie valeur du paramètre » basé sur l'estimation de l'échantillon.

Sur base de nos calculs sous Spss, le test de wald nous permet d'affirmer que la constante est significative avec une signification de 0,02 inférieure à 0,05 notre seuil de signification. On obtient la statistique de Wald en divisant le coefficient A par son erreur standard et en mettant la valeur obtenue au carré. (1,658/0,546)². La valeur EXP(B) correspond à l'augmentation des chances de diversifier les produits pour chaque changement d'une unité sur les variables explicatives.

Variables hors de l'équation
			Score	ddl	Sig.
Etape 0	Variables	Cap	5,218	1	,022
		besoin	4,018	1	,045
		Concur	7,143	1	,008
		DivSouR	4,096	1	,043
		NbrAnn	10,119	1	,001
	Statistiques globales		17,985	5	,003

L'observation de ce tableau nous conduit à dire que toutes les variables présentées sont significatives si Y=1. Il convient de dire que les facteurs qui sont à la base de la diversification des produits dans les IMF d la ville de Goma sont significatives, il s'agit de : Cap (capacité de l'institution avec une signification de 0,022), besoin (besoins des clients) avec une signification de 0,045, Concur (concurrence) avec une signification de 0,008, DivSourR (diversifier les sources des revenus) avec une signification de 0,043 et NbrAnn (nombre d'années) avec une signification de 0,001, toutes ces significations inférieures à 0,05 notre seuil de signification.

Le test de Hosmer-Lemeshow est un test d'adéquation du modèle qui consiste à faire des regroupements des probabilités prédites y par le modèle en dix groupes (déciles). Pour chaque groupe, on observe l'écart entre les valeurs prédites et observées. L'importance de la distance entre ces valeurs est évaluée grâce à une statistique de Khi-deux à 8 dll qui teste :

Si l'ajustement est correct, les valeurs prédites seront proches des valeurs observées (NEJI & Anne-Helène JIGOREL, ND).

Selon (Fred NTOUTOUME OBIANG-NDONG, 2006) cité par (Fikiri CHIZA, 2012-2013), le test de Hosmer-Lemeshow permet de savoir si le modèle spécifié est bon ou mauvais. Il s'appuie sur le test d'hypothèse suivant : H₀ : ajustement bon (Goodness of fit) et H₁ : ajustement mauvais. La règle de décision est : On accepte l'hypothèse H₀ si la valeur de la probabilité (Significativité) est supérieure à 5%, on refuse l'hypothèse dans le cas contraire.

Pour notre modèle de diversification des produits dans les IMF de la ville de Goma, nous trouvons une signification de 1,000 laquelle est supérieur à 0,05 notre seuil de signification. Nous pouvons donc dire qu'au risque de 5%, le modèle est adéquat et que les variables retenues influencent la diversification des produits dans les IMF de la ville de Goma.

		Diversification = non		Diversification = oui		Total
		Observations	Attendu	Observations	Attendu	Total
Etape 1	1	3	3,000	0	,000	3
	2	1	1,000	2	2,000	3
	3	0	,000	4	4,000	4
	4	0	,000	3	3,000	3
	5	0	,000	1	1,000	1
	6	0	,000	11	11,000	11

Le test de Hosmer-Lemeshow présenté dans le tableau précédent nous a déjà montré que notre modèle est adéquat, ce tableau de contingence nous montre aussi que l'ajustement est bon ; on se rend compte que les valeurs observées sont celles attendues.

Une question cruciale est de pouvoir déterminer si le modèle obtenu est intéressant ou non. Le premier à pouvoir trancher est l'expert. En se basant sur les contraintes du domaine, il peut dire si le modèle est suffisamment concluant. Le R² de Mac Fadden et de Nagelkerke sont les plus simples à appréhender. Lorsque la régression ne sert à rien, les variables explicatives n'expliquent rien, l'indicateur vaut 0 ; lorsque la régression est parfaite, l'indicateur vaut 1 (Ricco Racotomalala, N.D). Pour notre modèle le R² de Nagelkerke nous donne la valeur 1,000, le R² de Cox & Snell nous donne 0,585 ; nous pouvons donc dire qu'il est significatif.

	Observations		Prévisions
			Diversification		Pourcentage correct
			non	oui
Etape 0	Diversification	Non	0	4	,0
		oui	0	21	100,0
	Pourcentage global				84,0

Il est plus judicieux de construire ce que l'on appelle une matrice de confusion (en anglais classification table). Elle confronte toujours les valeurs observées de la variable dépendante avec celles qui sont prédites, puis comptabilise les bonnes et les mauvaises prédictions. Il apparait que dans le modèle prévisionnel, 21 IMF de la ville de Goma soit 84% pourraient diversifier leurs produits contre 4 IMf soit 16%. Ce résultat est cohérent du fait que la diversification est devenue une stratégie récentes et que les IMF sont appelées à innover pour satisfaire au mieux leurs clients et être pérennes.

		A	E.S.	Wald	ddl	Sig.

Etape 1^a	Cap	3,244	22707,488	,000	1	1,000
	besoin	2,993	22408,626	,000	1	1,000
	Concur	36,561	12847,769	,000	1	,998
	DivSouR	2,130	19317,573	,000	1	1,000
	NbrAnn	35,832	21531,833	,000	1	,999
	Constante	-60,390	31225,178	,000	1	,998

Ce tableau nous montre que les variables entrées dans l'équation prises dans leur globalité ne sont pas statistiquement significatives vu que leurs significations sont supérieures à 0,05 notre seuil de signification. A notre avis, cette non significativité est possible par le fait que la condition la plus difficile à rencontrer en régression logistique concerne la grande taille de l'échantillon sur lequel doit porter ce type d'analyse comparativement à la régression standard.

Analyse des déterminants de la diversification des produits dans les IMF de la ville de Goma

III.3. Résultats des analyses économétriques