2.7.3. Ecriture économétrique de notre
modèle logit simple
Dans le cadre de notre recherche, notre variable
dépendante sera « le consentement à payer l'espace vert de
la place Charles Atangana dans la ville de Yaoundé », le
modèle sera donné par Y?? = ??(X1??, X2??, ... ,
X10??)et l'équation sera sous la forme
Y?? = f31X1?? + f32X2?? + f33X3?? + ?
+ f310X10?? + E??
=la variable expliquée « le consentement à
payer l'espace vert de la place Charles Atangana dans la ville de
Yaoundé ».
= la variable explicative « sexe de l'individu »
71
Ononino Jean Charles
10
=la variable explicative « âge de l'individu »
?. = la variable explicative
« niveau d'éducation de l'individu »
= la variable explicative « revenu moyen journalier de
l'individu »
= la variable explicative « type d'emploi ou activité
de l'individu ».
= la variable explicative « raisons de visite dans le parc
»
= la variable explicative « temps mis sur le site du parc
».
= la variable explicative « Coût de transport pour se
rendre au parc »
= la variable explicative « importance accordée aux
espaces verts ».
= la variable explicative « Disponibilité à
contribuer au financement des espaces verts au
sein du parc».
=le coefficient de régression de la variable =le
coefficient de régression de la variable =le coefficient de
régression de la variable =le coefficient de régression de la
variable =le coefficient de régression de la variable =le coefficient de
régression de la variable =le coefficient de régression de la
variable =le coefficient de régression de la variable =le coefficient de
régression de la variable =le coefficient de régression de la
variable
= le résidu i=indice de l'acteur du secteur rural
(i=1...n)
2.7.4. Méthode économétrique de notre
recherche : Méthode du maximum de vraisemblance
72
Ononino Jean Charles
Il est question dans cette sous-section de la
Présentation de la méthode du Maximum de Vraisemblance et du
principe de la méthode du maximum de vraisemblance
2.7.4.1.Présentation de la méthode du
Maximum de Vraisemblance
La droite de moindres carrés de la régression
linéaire est construite à partir des coefficients qui minimisent
la distance au carré entre les points (les valeurs observées) et
la droite de régression. Le choix des coefficients de la
régression logistique repose plutôt sur l'obtention des valeurs
prédites de Y situées le plus près possible des valeurs
observées. Ces coefficients constituent les paramètres
d'estimation de la probabilité maximale (maximum-likelihood) et mesurent
le changement du ratio de probabilité (odds ratio). Une alternative
à la fonction de perte des moindres carrés consiste
à maximiser la fonction de vraisemblance ou de log-vraisemblance (ou de
minimiser la fonction négative de log-vraisemblance ; le terme maximum
de vraisemblance a été initialement proposé par Fisher,
1922). En théorie, nous pouvons calculer la probabilité
(appelée par convention L, pour likelihood, la vraisemblance) des
valeurs spécifiques de la variable dépendante se produisant dans
notre échantillon, compte tenu du modèle de régression
respectif.
(U)=fu1,u2,.....u n
(u1,u2,...un)=fu1
| 
