Discussion :

[Lyricslife]

Bonjour à tous !

Alors voilà, ne trouvant pas de réponse satisfaisante sur le net, après y avoir passé des heures, je viens à vous dans l'espoir d'un peu d'aide...

Je suis chargé d'analyser les réponses d'une enquête de satisfaction.
Pour ce faire, j'aimerais réaliser des régressions logistique pour expliquer une variable qualitative par plusieurs autre variables qualitatives.

Nous avons demandé aux enquêtés s'ils avaient eu besoin de nous contacter suite à une procédure.

Le contact serait donc la variable à expliquer. Elle prend deux modalités : oui, ou non.
Les variables explicatives seraient :
- la perception de la procédure (simple ou compliquée),
- une simulation correcte ou incorrecte (oui pour correcte, non pour incorrecte)
On veut savoir si le fait d'avoir eu une simulation incorrecte et d'avoir perçu la procédure comme compliquée augmente les chances de contact.

Voici mon code :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
proc logistic data=WORK.Contacts;
class Simulation (ref="Oui") Perception (ref="Simple") /param=ref;
model Contacts (ref="Non") = Simulation Perception /link=glogit;
run;

et voici les résultats :


De ce que je comprend, d'après le BETA=0, le modèle est significatif.
D'après l'analyse des effets, les deux variables explicatives ont un rôle sur la variable à expliquer.
D'après les odds ratios, une simulation erronée a 1,7 fois plus de chance de contacter qu'une simulation correcte et une perception compliquée 2,2 fois plus de chance qu'une perception simple.

Jusque là, j'ai bon ?

J'aimerai savoir également s'il était possible d'identifier la variable qui joue le plus grand rôle ?
Et que signifient les autres résultats ?

Merci à vous tous !

[Clairant]

Bonjour Lyrics,
Voici ce que je te propose comme interprétation, tu peux raffiner en améliorant le sens de tes variables d'études.

Le tableau de réponse profile affiche que 81,76% des enquêtés n’ont pas eu besoin de contacter suite à une procédure. Par contre, seulement 18,24% ont contacté suite à une procédure. Ceci indique bien que la plupart des enquêtés n’ont pas eu besoin de contacter suite à une procédure.

Ensuite, l’examen des p-values associées aux tests de ratio de vraisemblance, de Score et de Wald indiquent que l’hypothèse nulle d’absence de significativité globale des paramètres est rejetée. Ainsi, le modèle est globalement significatif au seuil de 1%. Autrement dit, la perception de la procédure et la simulation ont simultanément une influence sur la probabilité que l’enquêté contacte suite à une procédure.

Significativité individuelle des paramètres
La perception de la procédure est statistiquement significative au seuil de 1% (p-value < 0.001). Ceci indique que la perception (simple ou compliquée) influence les chances que l’individu choisisse de contacter lors d’une procédure. De même, la simulation correcte ou incorrecte affiche une p-value inférieure à 1%, donc cette variable influence la probabilité qu’un enquêté contacte lors d’une procédure.

Interprétation des paramètres
Le signe de la variable perception est positif et significatif, cela signifie que les chances de contacter lors d’une procédure augmentent lorsqu’on passe du groupe de ceux qui pensent que la procédure est compliquée à simple.
Ensuite, les individus qui pensent que la simulation est incorrecte influencent à la hausse les chances de contacter lors d’une procédure comparativement à ceux qui pensent qu’elle est correcte.

Interprétation des odds ratios ou rapports de cotes
Simulation (incorrecte vs correcte) = 1.723 un individu ayant jugé que la simulation est incorrecte augmente la probabilité de contacter lors d’une procédure par rapport à celui qui a jugé que la simulation est correcte. Autrement dit, un individu ayant effectué une simulation erronée a 1.723 fois plus de chance de contacter par rapport à celui ayant effectué une simulation correcte.
Perception (compliquée vs simple) = 2.231 un individu ayant jugé que la procédure est compliquée augmente la probabilité de contacter lors d’une procédure par rapport à celui qui pense que la procédure est simple. Autrement dit, il y a 2.231 fois plus de chance de contacter lors d’une procédure lorsqu’on passe du groupe de ceux qui pensent que la procédure est compliquée à simple.

Qualité du modèle
Le taux de bon classement du modèle est de 45% (percent concordant).


Par contre, le taux du bon classement de ton modèle est très faible.

[Clairant]

tu peux ajouter aussi "lackfit" en option de l'instruction model pour afficher la courbe ROC et la statistique de Hosmer et Lemeshow. De plus, pour afficher la variable qu'il influence le plus la probabilité de contacter, il faut utiliser les effets marginaux.