Evaluation de la variabilité expliquée par le modèle de régression

Télécharger le fichier pdf d’un mémoire de fin d’études

Analyse d’Equation Structurale

Les modèles d’équations structurelles sont des modèles linéaires qui englobent et généralisent les méthodes linéaires classiques : alysesn factorielles (en facteurs communs et spécifiques), analyses en pistes causale et régression linéaire. Ils constituent une méthode de modélisation de phénomènes apte à bien définir des systèmes complexes en interaction. Ils se trouvent à la croisée de plusieurs domaines de recherche extrêmement riches : d’une part, le traitement simultanément de plusieurs variables observées ou non observables dites latentes, explicatives ou à expliquer et, d’autre part, l’introduction de la notion de causal ité dans les modèles statistiques.
De plus, les modèles d’équations structurelles à variables latentes se sont développés en étroite collaboration entre différents domaines d’applications. Tout d’abord dans le monde de la sociologie et de la psychologie quantitative grâce à la possibilité de tester des modèles complexes en utilisant des concepts qui ne peuvent pas s’exprimer directement. Puis, dans les sciences de gestion et de management où ils permettent l’évaluation de processus comme la satisfaction des consommateurs.
Ils sont fondés sur des équations dites structurelles pouvant être retranscrites par des modèles graphiques
Deux notions importantes sont à définir avant de décrire les méthodes.
– Une variable manifeste est une variable pour laquelle une mesure peut être directement recueillie (observée, mesurée, etc.).
– Une variable latente correspond à une caractéristique qui n’est pas directement observable et qui ne peut donc pas être mesurée directement.
Il existe quatre approches d’analyses structurelle s :
– Méthode par analyse de la structure de covariance (LISREL).
– MéthodePartial Least Squares (PLS).
– L’approhe Partial Maximum Likelihood (PML).
– La méthodeGeneralized Structured Component Analysis (GSCA).

Justification du choix de la méthode d’analyse par régression multiple

Il est mentionné que notre analyse est effectuée sur les données en aval des différentes études menées en amont telles que les inventaires et les études de marchés. Les données ainsi obtenues et utilisées dans l’analyse sont toutes des données quantitatives, l’analyse que nous allons mener se p enche sur la recherche de la meilleure équation qui permet de prédire le prix plancher (variable à expliquer) sous l’action des différentes variables explicatives : valeur totale du lot, différents coûts, et en évaluer la précision et la signification. Evaluer la contribution relative des variables explicatives sur la variabilité du prix plancher, et de juger l’importance relative des variables explicatives sur la variable « prix plancher ». Ainsi, au vu de l’objectif de notre étude de trouver la relation significative entre la variable dépendante et les variables indépendante d’une part et les caractéristiques des données mises à notre disposition, qui sont entièrement quantitatives d’autre part, l’analyse par régression multiple est appropriée pour la présente recherche.
La prise en compte des données qualitatives entre autre l’appréciation des profils topographiques du terrain où se trouve le lot forestier d’adjudication pour évaluer les coûts de la première transformation, la fixation du taux de bénéfice et risque de l’exploitant, implique l’utilisation d’autres méthodes permettant d’analyser ensemble les relations entre les données quantitatives et qualitatives telles que les analyses structurales mentionnées et l’analyse des filières .

Evaluation de l’ajustement des données au modèle de régression

La valeur du coefficient de corrélation multiple est de 0,99 , ce qui signifie que les données sont très bien ajustées au modèle. D’emblée, on peut déjà dire qu’il existe une relation positive entre la variable dépendante « prix plancher » et l’effet combiné des variables indépendantes (valeur totale du lot, bénéfice et risque, coûts de transport, coûts de la première transformation) : plus le prix plancher augmente, plus l’effet combiné des variables indépendantes augmente. En outre, nous pouvons dire également que l’effet de la relation entre la variable dépendante « prix plancher » et les variables indépendantes est de grande taille et que l’association est très forte. Ce qui montre l’importance de ces quatre variables pour la détermination du prix plancher.

Evaluation de la variabilité expliquée par le modèle de régression

La valeur du coefficient de détermination « R² » est 0,98, celle-ci indique la proportion de la variabilité de la variable dépendante « prix plancher » expliquée par le modèle de régression. Nous pouvons conclure que le modèle de régression explique près de 98% de la variabilité du prix plancher (PP) avec les quatre variables « valeur total du lot (VT), coûts de la première transformation (CA), coûts de transport (CT), bénéfice et risque de l’exploitant (BR) ».

Les paramètres du modèle

Les coefficients non standardisés nous permettent de reconstituer l’équation du modèle de régression ci-après : PP =-4 +7.5VT-1.8CA-2.9CT-1.9BR.
En effet, les valeurs de « t » sont significatives avec les valeurs de p<0,05, nous pouvons ainsi rejeter l’hypothèse nulle et accepter l’hypothèse alternative. Ce qui signifie que les valeurs des coefficients non standardisés sont non nulles, c’est-à-dire les variables indépendantes (valeur totale du lot, coûts de la première transformation, coûts de transport, bénéfice et risque de l’exploitant) sont significatives et apportent une amélioration significative de l’explication de la variable dépendante « prix plancher ».
Seule la variable « valeur totale du lot » (VT) qui influe positivement la variable dépendante « prix plancher» (PP) avec le coefficient non standardisé B positif de l’ordre 7,1, ce qui signifie que plus la valeur totale du lot augmente, plus le prix plancher augmente. Les trois autres variables (coûts de la première transformation, coûts de transport, bénéficies et risque de l’exploitant) influent négativement le prix plancher ayant respectivement les valeurs des coefficients B négatives -1,7 ; -2,9 ;-1,8, ce qui signifie que plus les variables (coûts de la première transformation, coûts de transport, bénéficies et risque de l’exploitant) augmentent, plus le prix plancher diminue. En effet ces trois variables constituent des coûts à défalquer de la valeur totale du lot pour la détermination du prix plancher. Alors, nous pouvons conclure qu’on peut prédire le prix plancher avec les variables indépendantes (valeur totale du lot, coûts de la première transformation, coûts de transport, bénéfice et risque de l’exploitant) en tenant compte des prix des bois régionaux comme référence avec le modèle de régression ci-dessus.

ANALYSE SIGNIFICATIVE DES RELATIONS ENTRE LE PRIX PLANCHER ET LES VARIABLES INDÉPENDANTES 5 AVEC LES PRIX FOB

Dans cette analyse, le prix des bois sur les marchés régionaux a été changé par le prix FOB. L’analyse qui s’ensuit portera sur le modèle avec la variable dépendante « prix plancher » et les 3 variables indépendantes (valeur totale du lot, coûts de transport, bénéfice et risque de l’exploitant), les deux variables suivantes étant exclues : autres ajustement (AA), coûts de la première transformation (CA). En effet le seuil de probabilité de « F » pour l’entrée des variables dans le modèle est de 0,05 alors que pour les deux variables exclues, les valeurs de « F » sont nettement supérieures à 0,1. Ce qui signifie qu’en tenant compte des prix FOB comme référence, les variables indépendantes (coûts de la première transformation et autres ajustements) ne permettent pas de prédire la variable dépendante « prix plancher ».

Evaluation de la qualité du modèle de régression

Ainsi la valeur de F=3472.8 est significative avec le degré de signification p0.05. D’où nous pouvons rejeter l’hypothèse nulle (H0) et accepter l’hypothèse alternative (H1). Ce qui signifie que le prix plancher est linéairement dépendant au moins d’une variable explicative. A cet effet, nous pouvons conclure que le modèle permet de mieux prédire la variable prix plancher (PPF).

Evaluation de l’ajustement des données au modèle de régression

La valeur du coefficient de corrélation multiple «R » est de 0,99 , les données sont très bien ajustées au modèle. Sommairement, on peut déjà conclure qu’il existe une relation positive entre la variable dépendante « prix plancher » et l’effet combiné des variables indépendantes (valeur totale du lot, bénéfice et risque, coûts de transport) : plus le prix plancher augmente, plus l’ensemble des valeurs indépendantes augmente. Par ailleurs, l’effet de la relation entre la variable dépendante « prix plancher » et les variables indépendantes est de grande taille et que l’association est très forte. Ce qui signifie que pour la détermination du prix plancher, il faut considérer ces trois variables indépendantes.

Evaluation de la variabilité expliquée par le modèle de régression

La valeur du coefficient de détermination « R² » est 0,99 , nous pouvons dire que le modèle de régression explique près de 99% de la variabilité du Prix Plancher (PPF) avec les trois variables : valeur total du lot (VTF), coûts de transport (CT), bénéfice et risque de l’exploitant (BR).

Les paramètres du modèle

Les valeurs de « t » sont significatives avec les valeurs de p<0,05 ; ainsi nous pouvons rejeter l’hypothèse nulle (H0) et accepter l’hypothèse alternative (H1). Ce qui signifie que les valeurs de Beta sont non nulles ; compte tenu du prix FOB comme référence pour l’estimation des valeurs, on peut conclure que les variables significatives qui contribuent à l’explication du p rix plancher ( PPF6) sont : la valeur totale du lot (VTF7), les coûts de transport (CT) et le bénéfice et risque de l’exploitant (BR).
Nous avons le modèle de régression comme suit : PPF = -0.5 +1.3VTF-0.2CT-0.1BR.
La valeur totale du lot influe positivement le prix plancher avec le coefficient B positif de l’ordre de 1,3 , c’est-à-dire plus le prix plancher augmente, plus la valeur totale du lot augmente ; tandis que les coûts de transport ainsi que le bénéfice et risque de l’exploitant influent négativement le prix plancher avec les coefficient B négatifs respectivement de l’ordre de -0,2 et -0,2 , en d’autres termes plus les variables indépendantes (coûts de transport et le bénéfice et risque de l’exploitant) augmentent, plus le prix plancher diminue ; en effet ces variables constituent des coûts à défalquer de la valeur totale du lot pour la détermination du prix plancher. En somme, on peut conclure que les variables : valeur totale du lot, coûts de transport et le bénéfice et risque de l’exploitant permettent de prédire le prix plancher ave le modèle de régression ci-dessus en tenant compte des prix FOB comme référence.

Table des matières

I METHODOLOGIE
1.1. PROBLÉMATIQUE
1.2. HYPOTHÈSES
1.3. COLLECTE DES DONNÉES
1.4. TRAITEMENT DES DONNÉES ET ANALYSES DES RÉSULTATS
1.5. DISCUSSIONS MÉTHODOLOGIQUES
1.5.1. Régression Multiple
1.5.2. Analyse d’Equation Structurale
1.5.3. Analyse des filières
1.5.4. Justification du choix de la méthode d’analyse par régression multiple
1.6. LIMITES DE L’ÉTUDE
II. ANALYSE DES RÉSULTATS
2.1. ANALYSE SIGNIFICATIVE DES RELATIONS ENTRE LE PRIX PLANCHER ET LES VARIABLES INDÉPENDANTES AVEC LES PRIX RÉGIONAUX .
a) Evaluation de la qualité du modèle de régression
b) Evaluation de l’ajustement des données au modèle de régression
c) Evaluation de la variabilité expliquée par le modèle de régression
d) Les paramètres du modèle
2.2. Analyse significative des relations entre le prix plancher et les variables indépendantes avec les prix FOB
a) Evaluation de la qualité du modèle de régression
b) Evaluation de l’ajustement des données au modèle de régression
c) Evaluation de la variabilité expliquée par le modèle de régression
d) Les paramètres du modèle
III. DISCUSSIONS ET RECOMMANDATIONS
3.1. LE SECTEUR FORESTIER DE MADAGASCAR
3.1.1. L’OFFRE ET LA DEMANDE
3.1.2. LE MARCHÉ DU BOIS
3.1.3. CADRES RÉGLEMENTAIRES
3.1.3.1. Les textes réglementaires relatifs à l’exploitation et fiscalité forestière
3.1.3.2. Les modalités d’accès aux ressources
a) Forêts privées
b) Forêts publiques
3.1.4. ANALYSE DES DISPOSITIONS FISCALES
3.1.4.1. Redevances forestières
a) Procédures de détermination de redevance forestière en Afrique
b) Cas de Madagascar
3.1.4.2. Anciens systèmes
a) avant 31 décembre1994
b) de 1995 à 2006
3.1.4.3. Détermination du prix plancher pour l’adjudication forestière
3.1.4.4. La reforme fiscale
3.2. LES PERSPECTIVES ET RECOMMANDATIONS
3.2.1. Modèles de régression significatifs selon les références de prix des bois prises en compte
3.2.2. Coûts de gestion non inclus dans le modèle, à considérer comme coûts supplémentaires
3.2.3. Perspectives
3.2.4. Recommandations
CONCLUSION GENERALE
BIBLIOGRAPHIE

Télécharger le rapport complet