III.2.3. Estimation du
modèle
1. Estimation de l'offre de soins de santé
Tableau 20. Résultat de notre première
estimation.
|
Dependent variable : Y
|
|
|
|
|
|
Variable
|
Coefficient
|
Std. Error
|
t-statistic
|
Prob.
|
|
C
X1
X4
X5
|
-2.303
0.020
0.066
0.096
|
2.611
0.010
0.031
0.716
|
-0.882
1.510
2.097
0.135
|
0.399
0.073
0.062
0.896
|
|
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durrbin-Watson stat
|
0.929
0.908
1.169
13.660
-19.693
1.436
|
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob (F- statistic)
|
|
6.286
3.852
3.855
3.567
43.729
0.000005
|
Source: données de nos estimations
Au vu de ce tableau nous remarquons que, le R2 =
0,91 et est très élevé pourtant toutes les variables ne
sont pas significatives. En effet, le test de KLEIN pour la détection de
multi colinéarité des variables nous fait voir qu'il y a absence
de multi colinéarité. C'est puis que R2 = 0,90 et est
aussi supérieur à (0,94)2 = 0,88 = r2xy.
En retranchant la variable X5 qui n'est pas important ;
significativement dans notre modèle, il convient de souscrire que la non
significativité de la variable prix est expliquée par le fait que
le prix est presque homogène dans la majorité des structures de
la zone de santé de Minove.
Ainsi en réestimant ce modèle nous aboutissons
au tableau suivant :
Tableau 21. Résultats de la deuxième
estimation
|
Dependent variable : Y
|
|
|
|
|
|
Variable
|
Coefficient
|
Std. Error
|
t-statistic
|
Prob.
|
|
C
X1
X2
|
-1.973
0.020
0.063
|
0.859
0.009
0.025
|
-2.297
2.378
2.541
|
0.042
0.037
0.027
|
|
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durrbin-Watson stat
|
0.929
0.916
1.115
13.685
-19.706
1.461
|
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob (F- statistic)
|
|
6.286
3.852
3.244
3.381
72.012
0.00000
|
Source : nos estimations
Au regard de ce tableau, nous remarquons que :
1°) Le coefficient de détermination R² qui
affiche le niveau d'explication des variables exogènes sur
l'évolution des variables endogènes est de 0,91. Ceci veut dire
que les variables exogènes prises en compte comme X1 et X4, expliquent
les comportements de la variable dépendante (offre) en raison de 91%. Le
terme d'erreur explique 9%.
2°) Comme l variable statistique de F de Fisher qui est
de 72 et supérieur à la statistique de F lu dans la table, on
affirme que le modèle est globalement explicatif.
3°) Partant de la règle de Pouce qui montre qu'une
variable explicative dans un modèle, lorsque le coefficient est au moins
supérieur au double de l'écart type en valeur absolue, on conclu
que les variables sont significatives dans notre cas ; soit X1etX2.
En effet, toutes les variables influent positivement sur le
service offert lorsque le service demande augmente d'une unité, l'offre
à tendance à augmenter de 0,021 et quand le nombre des demandeurs
augmente, offre à tendance à augmenter aussi de 0,06.
Statistiquement, à notre avis, ce modèle est
bien spécifié et le résultat demande une
interprétation économique. C'est ainsi que nous estimons
estimé l'équation de la demande dans les lignes qui
suivent :
2. Estimation de la demande de soins de santé
Tableau 22. Résultats de la première
estimation
|
Dependent variable : X1
|
|
|
|
|
|
Variable
|
Coefficient
|
Std. Error
|
t-statistic
|
Prob.
|
|
C
Y
X4
X5
|
-59.981
14.314
1.134
20.319
|
70.103
7.161
0.939
18.084
|
-0.856
1.999
1.208
1.124
|
0.412
0.074
0.255
0.288
|
|
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durrbin-Watson stat
|
0.906
0.877
31.310
9803.408
-65.725
1.916
|
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob (F- statistic)
|
|
168.714
89.385
9.961
10.143
31.983
0.000019
|
Source : Données de notre enquête
Au vu de ce tableau, on remarque que le service offert est
significative et est de 0.07 aussi le nombre des demandeurs et le prix sont non
significatifs et ont respectivement 0.25 et 0.28 et le coefficient de
corrélation R²= 0.87.
Ce constant nous conduit à la deuxième
estimation.
Tableau 23. Résultats de la deuxième
estimation
|
Dependent variable : X1
|
|
|
|
|
|
Variable
|
Coefficient
|
Std. Error
|
t-statistic
|
Prob.
|
|
C
Y
X5
|
-1.753
22.458
11.302
|
51.959
2.466
16.813
|
-0.034
9.106
0.672
|
0.973
0.0000
0.515
|
|
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durrbin-Watson stat
|
0.892
0.872
31.958
11234.20
-66.672
1.732
|
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob (F- statistic)
|
|
168.714
89.385
9.954
10.091
45.350
0.000005
|
Source : Nos enquêtes
Ce tableau montre une relation où la demande est
expliquée beaucoup plus par le service offert et le prix.
Il ressort de ce tableau que le prix reste signifiant dans
notre modèle.
En ce qui est de la mutlicolinéarité, nous
remarquons que R² est supé »rieur à r², ce
qui montre qu'il n'y a pas présomption de
multicolinéarité. Le R² étant élevé et
égal à 0.87, nous pensons que ce modèle est
estimé.
En effet, 87% des variables de la demande sont
expliquées par la combinaison linéaire entre service offert et le
prix. La demande des soins de santé à Minova n'est pas
influencée par des éléments retenus dans ce modèle
mais par d'autres éléments comme le revenu, l'âge, la
gravité de la maladie, la qualité des soins, etc.
Ainsi, les facteurs qui déterminent l'offre et la
demande des soins de santé à Minova sont entre autre le prix, le
nombre des demandeurs, le service offert, le revenu, le nombre des offreurs, la
qualité des soins, la gravité de la maladie, etc.
| 
