adoption du riz nerica par les riziculteurs de guinee
TRANSCRIPT
W icirc iuml k f
mDeacutepartement des Sciences Matheacutematiques
Laboratoire de Probabiliteacutes et Statistique
UNIVERSITE MONTPELLIER II- SCIENCES1 ET TECHNIQUES DU LANGUEDOC------
Institut de Recherche Agronomique de Guineacutee
Parcours professionnel METHODES STATISTIQUES DES INDUSTRIES AGRONOMIQUES AGRO-ALIMENTAIRES ET
PHARMACEUTIQUES
MEMOIRE sur le stage t
ADOPTION DU RIZ NERICA PAR LES RIZICULTEURS DE GUINEE
bull effectueacute du 01 mars 2007 au 30 aoucirct 2007
bull agrave l rsquoIRAG et au CIRAD
bull sous la direction de MM Seacutekou BEAVOGUIPhilippe LETOURMY amp Aliou DIAGNE
bull par Ismael TOURE
bull soutenu le 07092007
bull devant la commission drsquoexamenJN BACRO D MOUILLOT R SABATIER
iY
TABLE DES MATIERES
A C R O N Y M E S ET PRINCIPALES ABREVIATIONS 5
R E M E R C I E M E N T S 6
I INTRODUCTION 7
II CONTEXTE ET OBJECTIF DE LrsquoETUDE 8
III MATERIELS ET M E T H O D E S 9
31 Echantillonnage par la methode des q u ot as9
3 2 METHODES STATISTIQUES13
321 Estimateurs de lrsquoeacutechantillon 13
3 2 2 PRESENTATION DES DONNEES15
323 A nalyse Factorielle des Correspondances 18
3 2 4 MODELE LOG-LINEAIRE18
a) Estimation des paramegravetres du modegravele log-lineacuteaire 19
b) Validation du modegravele log-lineacuteaire 20
c) Proceacutedure de reacutegression poissonienne par la fonction GLM 21
325 M odele logistique multinomial 22
a) Estimation des paramegravetres du modegravele logistique22
b) Validation du modegravele logistique multinomial23
IV RESULTATS ET DISCUSSIONS 24
41 G estion des bases de donnees 24
42 Echantillon de lrsquoet ud e25
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz 28
431 Tableaux de contingence 29
432 A nalyse factorielle des correspondances 30
433 A justement de lrsquoadoption par le modele log-lineaire 31
Validation du modegravele log-lineacuteaire33
44 Recherche des facteurs determinants 34
Validation du modegravele logistique 34
V CONCLUSION ET R E C O M M A N D A T I O N S 36
BIBLIOGRAPHIE 60
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 2
Liste des annexes
Annexe 1 Extrait de la fiche d rsquoenquecircte 38
Annexe 2 Reacutepartition des paysans dans les villages 39
Annexe 3 Programme et reacutesultats de calcul des estimateurs de l rsquoeacutechantillon 40
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes 42
Annexe 6 Graphiques des composantes et des axes de l rsquoafc 44
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre de riziculteurs46
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants 49
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants 53
i1 i
Adoption du riz Nerica par les riziculteurs de Guineacutee
iY
Liste des tableaux et ligures
Tableau 1 Plan de reacutepartition de l rsquoeacutechantillon 11
Tableau 2 Preacutesentation des donneacutees pour deux variables 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion 16
Tableau 4 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait) 17
Tableau 5 Reacutepartition de l rsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture 26
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003 28
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute 29
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute 29
Tableau 10 Comparaison des modegraveles log-lineacuteaires 32
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute32
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants34
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs d rsquoeacutetudes49
Tableau 14 freacutequences de reacuteponses sur le goucirct 49
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse 50
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute 51
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide 51
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement 52
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee 10
Figure 2 Reacutepartition des paysans dans les villages d rsquoeacutetudes 26
Figure 3 Graphique des valeurs propres pour lafc 30
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes 31
Adoption du riz Nerica par les riziculteurs de Guineacutee 4
Acronymes et principales abreacuteviations
ADRAO Centre du riz pour lrsquoAfrique (anciennement Association pour le Deacuteveloppement du riz en Afrique de lrsquoOuest)
ANO VA Analysis of variance
CIRAD Centre de coopeacuteration internationale en recherche agronomique pour le deacuteveloppement
GLM Modegravele lineacuteaire geacuteneacuteraliseacute
HB Homogeneous Bulk
IRAG Institut de recherche agronomique de Guineacutee
LPDA Lettre de Politique pour le Deacuteveloppement Agricole
NERICA New rice for Africa
PVS Participatory Variety Selection
SNPRV Service national de la promotion rurale et de la vulgarisation
UEP Uniteacute d rsquoexpeacuterimentation paysanne
UPR Uniteacute propre de recherche
WAB WARDAADRAO-Bouakeacute
1
Adoption du riz Nerica par les riziculteurs de Guineacutee 5
Remerciements
Je tiens agrave remercier Messieurs Philippe LETOURMY et Seacutekou BEAVOGUI tous biostatisticiens respectivement responsable de lrsquoUPR drsquoAide agrave la deacutecision et Biostatistique au Cirad et Directeur Geacuteneacuteral de lrsquoIRAG de m rsquoavoir accepteacute et pour leur suivi continu tout au long du stage Que tout le personnel de ces uniteacutes trouve ma profonde gratitude particuliegraverement Monsieur Eric GOZEacute eacutegalement biomeacutetricien qui nrsquoa pas eacutepargneacute de son temps pour des enseignements statistiques et des guides Je remercie Monsieur Aliou DIAGNE eacuteconomiste agrave lrsquoAdrao drsquoavoir accepteacute d rsquoecirctre le co-tuteur au cours de ce stage
Je remercie tous mes enseignants qui m rsquoont encourageacute au cours de cette formation particuliegraverement Messieurs Jean-Noeumll BACRO et Robert SABATIER
Enfin je remercie le Service Coopeacuteration et drsquoAction Culturelle de Guineacutee drsquoavoir financeacute cette formation Que les chercheurs de lrsquoIRAG et du SNPRV trouvent ici ma profonde gratitude pour leur entiegravere disponibiliteacute ainsi que les paysans guineacuteens aupregraves desquels les enquecirctes ont eacuteteacute effectueacutees
i
Adoption du riz Nerica par les riziculteurs de Guineacutee 6
I INTRODUCTION
La Guineacutee est un pays de lrsquoAfrique de lrsquoouest situeacutee entre 7deg05rsquo N et 12deg51rsquoN et 7deg30rsquoW et 15deg10rsquoW et a une superficie de 245 857 km2 pour une population de 7 416 823 habitants (recensement de 1996) Crsquoest un pays fonciegraverement agricole et plus de la moitieacute des guineacuteens travaillent dans lrsquoagriculture qui contribue agrave 242 du pib
Le riz est la cleacute de voucircte du systegraveme alimentaire des guineacuteens qui figurent parmi les plus grands consommateurs de cette denreacutee en Afrique La consommation nationale en riz varie selon les reacutegions naturelles du pays En moyenne elle se situe aux alentours de 90 kg par tecircte drsquohabitant et par an (A Diagne 2005)
Les besoins nationaux de riz sont au delagrave de la production nationale qui sont combleacutes par les importations dont la croissance annuelle est de lrsquoordre de 8 contre un taux de croissance annuelle de 2 pour la production nationale de paddy (FAOSTAT 2004)
Afin de reacuteduire de faccedilon progressive les importations de riz un vaste programme de relance de la riziculture a eacuteteacute initieacute par F Etat guineacuteen Il a consisteacute agrave la mise en place progressive de projets et services agricoles orienteacutes sur le deacuteveloppement de la riziculture afin drsquoameacuteliorer les rendements au niveau des systegravemes rizicoles Un volet important de ce programme est le transfert de technologies rizicoles en milieu paysan qui a eacuteteacute entameacute en 1997 Crsquoest ainsi que les certaines varieacuteteacutes de lrsquoADRAO (les W AB) seront plus tard deacutenommeacutees les Nerica
LrsquoIRAG et le SNPRV en collaboration avec lrsquoADRAO ont entrepris depuis juin 2002 une seacuterie drsquoeacutetudes relatives aux eacutevaluations des impacts des technologies rizicoles particuliegraverement les Nericas
Ce meacutemoire preacutesente le contexte et lrsquoobjectif de lrsquoeacutetude en premiegravere partie La deuxiegraveme partie preacutesente les mateacuteriels et meacutethodes employeacutes pour la collecte et le traitement des donneacutees Les reacutesultats et les discussions sur les donneacutees collecteacutees figurent agrave la troisiegraveme partie
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
II CONTEXTE ET OBJECTIF DE L rsquoETUDE
En 1997 une eacutequipe de chercheurs et vulgarisateurs de lrsquoIRAG et du SNPRV a eacuteteacute mandateacutee pour se rendre agrave lrsquoADRAO afin de choisir les varieacuteteacutes de riz Nerica susceptibles de satisfaire les critegraveres reacutepondant aux besoins des paysans guineacuteens Ces varieacuteteacutes ont eacuteteacute eacutevalueacutees dans des uniteacutes drsquoexpeacuterimentation paysannes (UEP) en Guineacutee A la mecircme anneacutee cet objectif aboutit agrave un projet drsquoessai de seacutelection de varieacuteteacute participative (PVS) qui srsquoest eacutetaleacute sur une peacuteriode de trois ans (1997 - 1999) Les technologies transfeacutereacutees (varieacuteteacutes Nerica et autres varieacuteteacutes ameacutelioreacutees) dans le cadre de ce projet sont compileacutees dans le rapport de synthegravese (M B Barry et A Condeacute 1999)
Lrsquoobjectif de creacuteation du riz Nerica eacutetait de combiner le potentiel de rendement des parents Oriza Sativa (riz asiatique) avec lrsquoadaptation locale des Oriza Glaberima (riz africain)
Depuis les anneacutees 90 les statistiques ont montreacute une augmentation substantielle de la production du riz Cette augmentation est elle due agrave lrsquoaugmentation des superficies cultiveacutees ou agrave la productiviteacute des varieacuteteacutes ameacutelioreacutees (dont les NERICA) introduites D rsquoougrave la neacutecessiteacute drsquoeacutevaluer les impacts de ces varieacuteteacutes ameacutelioreacutees sur la filiegravere riz au niveau des quatre reacutegions naturelles et estimer leurs adoptions par les producteurs
Lrsquoobjectif de cette eacutetude est d rsquoestimer lrsquoadoption de la varieacuteteacute de riz Nerica et de deacuteterminer les facteurs deacuteterminants des choix des riziculteurst
Adoption du riz Nerica par les riziculteurs de Guineacutee 8
III MATERIELS ET METHODES
La meacutethode des quotas a eacuteteacute utiliseacutee pour le recueil des donneacutees Pour reacutepondre aux questions de lrsquoenquecircte les meacutethodes statistiques adopteacutees sont
Analyse factorielle des correspondances eacutetudier la liaison reacutegion et type de varieacuteteacute Modegravele log-lineacuteaire eacutevaluer lrsquoadoption des varieacuteteacutes de riz
- Modegravele logistique multinomial seacutelection des facteurs deacuteterminants
31 Echantillonnage par la meacutethode des quotas
Crsquoest une meacutethode empirique qui preacutesente lrsquoavantage drsquoun coucirct moindre qursquoun sondage probabiliste La meacutethode permet lrsquoextrapolation mais ne permet pas drsquoeacutevaluer la preacutecision des estimations
La population cible est lrsquoensemble des paysans riziculteurs Les paysans choisis dans lrsquoeacutechantillon sont ceux qui sont consideacutereacutes avoir au moins une fois pratiqueacute la riziculture Un total de 80 villages a eacuteteacute choisi dans les preacutefectures Ce choix est lieacute agrave lrsquointroduction du riz Nerica Dans chaque preacutefecture 6 villages en moyenne ont eacuteteacute choisis Ces villages ont eacuteteacute baptiseacutes village drsquointroduction Chaque village drsquointroduction 2 ou 3 villages voisins qui sont consideacutereacutes comme effectuant des eacutechanges avec le village drsquointroduction le plus proche Ces derniers (villages) sont alors baptiseacutes villages satellites parce que rattacheacutes agrave un village d rsquointroduction La figure 1 donne un aperccedilu sur la reacutepartition du riz Nerica en Guineacutee
En moyenne 120 riziculteurs ont eacuteteacute choisis par preacutefectures en raison de 30 paysans par village Ces deacutetails sont reacutesumeacutes dans les tableaux 3 et 4
Adoption du riz Nerica par les riziculteurs de Guineacutee 9
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee
Leacutegende
38 HB = 31 HB = 28 HB =
91 HB
28 HB
38 HB
28 HB
91 HB
1160 HB
28 HB
91 HB
38 HB
28 HB1138 HB
28 HB
91 HB
138 HB
28 HB
91 HB
131 HB
28 HB
131 HBJ
91 HB
Nerica 1 91 HB = Nerica 4Nerica 2 138 HB = Nerica 5Nerica 3 160 HB = Nerica 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Les quotas sont eacutetablis de faccedilon agrave ecirctre sensiblement proportionnels agrave la fraction de la population repreacutesenteacutee par chaque groupe Ils ont eacuteteacute estimeacutes agrave choix raisonneacute par lrsquoenquecircteur
Tableau 1 Plan de reacutepartition de lrsquoeacutechantillon
I
Reacutegion
Village BasseGuineacutee
HauteGuineacutee
GuineacuteeForestiegravere
MoyenneGuineacutee
village 1 nu raquo12 n13 nh
village 2 raquo21 n22 n23 n24
village i nu na niexcl3 nl4
village n nbdquoi raquon2 raquon3 nn4
n2 n2 n3 raquo4 n
rijj- effectif des paysans enquecircteacutes dans le village i de la reacutegion j n - taille de lrsquoeacutechantillon
Les effectifs ntJ sont deacutetermineacutes par les proceacutedeacutes suivants t
bull On doit deacuteterminer les ny de sorte que
n - est la taille de lrsquoeacutechantillon
bull On utilise alors la regravegle laquo proportionnelle raquo
nj = nN
N et Nyuml sont respectivement le nombre total de riziculteurs et le nombre de riziculteurs dans le village i
Ces valeurs n rsquoeacutetant pas connus par lrsquoenquecircteur le rapportN
a eacuteteacute estimeacute par un choix
raisonne
N bdquoSoit
Nu _
mdash f i j - Freacutequence de riziculteurs de la cellule (i j)
Le nombre de villages ne sont pas identiques dans les reacutegions Lrsquoeacutechantillon constitueacute figure dans les tableaux 3 et 4 Les paysans ont reacutepondu aux questionnaires dont lrsquoextrait est preacutesenteacute dans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 11
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
TABLE DES MATIERES
A C R O N Y M E S ET PRINCIPALES ABREVIATIONS 5
R E M E R C I E M E N T S 6
I INTRODUCTION 7
II CONTEXTE ET OBJECTIF DE LrsquoETUDE 8
III MATERIELS ET M E T H O D E S 9
31 Echantillonnage par la methode des q u ot as9
3 2 METHODES STATISTIQUES13
321 Estimateurs de lrsquoeacutechantillon 13
3 2 2 PRESENTATION DES DONNEES15
323 A nalyse Factorielle des Correspondances 18
3 2 4 MODELE LOG-LINEAIRE18
a) Estimation des paramegravetres du modegravele log-lineacuteaire 19
b) Validation du modegravele log-lineacuteaire 20
c) Proceacutedure de reacutegression poissonienne par la fonction GLM 21
325 M odele logistique multinomial 22
a) Estimation des paramegravetres du modegravele logistique22
b) Validation du modegravele logistique multinomial23
IV RESULTATS ET DISCUSSIONS 24
41 G estion des bases de donnees 24
42 Echantillon de lrsquoet ud e25
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz 28
431 Tableaux de contingence 29
432 A nalyse factorielle des correspondances 30
433 A justement de lrsquoadoption par le modele log-lineaire 31
Validation du modegravele log-lineacuteaire33
44 Recherche des facteurs determinants 34
Validation du modegravele logistique 34
V CONCLUSION ET R E C O M M A N D A T I O N S 36
BIBLIOGRAPHIE 60
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 2
Liste des annexes
Annexe 1 Extrait de la fiche d rsquoenquecircte 38
Annexe 2 Reacutepartition des paysans dans les villages 39
Annexe 3 Programme et reacutesultats de calcul des estimateurs de l rsquoeacutechantillon 40
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes 42
Annexe 6 Graphiques des composantes et des axes de l rsquoafc 44
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre de riziculteurs46
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants 49
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants 53
i1 i
Adoption du riz Nerica par les riziculteurs de Guineacutee
iY
Liste des tableaux et ligures
Tableau 1 Plan de reacutepartition de l rsquoeacutechantillon 11
Tableau 2 Preacutesentation des donneacutees pour deux variables 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion 16
Tableau 4 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait) 17
Tableau 5 Reacutepartition de l rsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture 26
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003 28
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute 29
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute 29
Tableau 10 Comparaison des modegraveles log-lineacuteaires 32
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute32
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants34
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs d rsquoeacutetudes49
Tableau 14 freacutequences de reacuteponses sur le goucirct 49
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse 50
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute 51
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide 51
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement 52
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee 10
Figure 2 Reacutepartition des paysans dans les villages d rsquoeacutetudes 26
Figure 3 Graphique des valeurs propres pour lafc 30
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes 31
Adoption du riz Nerica par les riziculteurs de Guineacutee 4
Acronymes et principales abreacuteviations
ADRAO Centre du riz pour lrsquoAfrique (anciennement Association pour le Deacuteveloppement du riz en Afrique de lrsquoOuest)
ANO VA Analysis of variance
CIRAD Centre de coopeacuteration internationale en recherche agronomique pour le deacuteveloppement
GLM Modegravele lineacuteaire geacuteneacuteraliseacute
HB Homogeneous Bulk
IRAG Institut de recherche agronomique de Guineacutee
LPDA Lettre de Politique pour le Deacuteveloppement Agricole
NERICA New rice for Africa
PVS Participatory Variety Selection
SNPRV Service national de la promotion rurale et de la vulgarisation
UEP Uniteacute d rsquoexpeacuterimentation paysanne
UPR Uniteacute propre de recherche
WAB WARDAADRAO-Bouakeacute
1
Adoption du riz Nerica par les riziculteurs de Guineacutee 5
Remerciements
Je tiens agrave remercier Messieurs Philippe LETOURMY et Seacutekou BEAVOGUI tous biostatisticiens respectivement responsable de lrsquoUPR drsquoAide agrave la deacutecision et Biostatistique au Cirad et Directeur Geacuteneacuteral de lrsquoIRAG de m rsquoavoir accepteacute et pour leur suivi continu tout au long du stage Que tout le personnel de ces uniteacutes trouve ma profonde gratitude particuliegraverement Monsieur Eric GOZEacute eacutegalement biomeacutetricien qui nrsquoa pas eacutepargneacute de son temps pour des enseignements statistiques et des guides Je remercie Monsieur Aliou DIAGNE eacuteconomiste agrave lrsquoAdrao drsquoavoir accepteacute d rsquoecirctre le co-tuteur au cours de ce stage
Je remercie tous mes enseignants qui m rsquoont encourageacute au cours de cette formation particuliegraverement Messieurs Jean-Noeumll BACRO et Robert SABATIER
Enfin je remercie le Service Coopeacuteration et drsquoAction Culturelle de Guineacutee drsquoavoir financeacute cette formation Que les chercheurs de lrsquoIRAG et du SNPRV trouvent ici ma profonde gratitude pour leur entiegravere disponibiliteacute ainsi que les paysans guineacuteens aupregraves desquels les enquecirctes ont eacuteteacute effectueacutees
i
Adoption du riz Nerica par les riziculteurs de Guineacutee 6
I INTRODUCTION
La Guineacutee est un pays de lrsquoAfrique de lrsquoouest situeacutee entre 7deg05rsquo N et 12deg51rsquoN et 7deg30rsquoW et 15deg10rsquoW et a une superficie de 245 857 km2 pour une population de 7 416 823 habitants (recensement de 1996) Crsquoest un pays fonciegraverement agricole et plus de la moitieacute des guineacuteens travaillent dans lrsquoagriculture qui contribue agrave 242 du pib
Le riz est la cleacute de voucircte du systegraveme alimentaire des guineacuteens qui figurent parmi les plus grands consommateurs de cette denreacutee en Afrique La consommation nationale en riz varie selon les reacutegions naturelles du pays En moyenne elle se situe aux alentours de 90 kg par tecircte drsquohabitant et par an (A Diagne 2005)
Les besoins nationaux de riz sont au delagrave de la production nationale qui sont combleacutes par les importations dont la croissance annuelle est de lrsquoordre de 8 contre un taux de croissance annuelle de 2 pour la production nationale de paddy (FAOSTAT 2004)
Afin de reacuteduire de faccedilon progressive les importations de riz un vaste programme de relance de la riziculture a eacuteteacute initieacute par F Etat guineacuteen Il a consisteacute agrave la mise en place progressive de projets et services agricoles orienteacutes sur le deacuteveloppement de la riziculture afin drsquoameacuteliorer les rendements au niveau des systegravemes rizicoles Un volet important de ce programme est le transfert de technologies rizicoles en milieu paysan qui a eacuteteacute entameacute en 1997 Crsquoest ainsi que les certaines varieacuteteacutes de lrsquoADRAO (les W AB) seront plus tard deacutenommeacutees les Nerica
LrsquoIRAG et le SNPRV en collaboration avec lrsquoADRAO ont entrepris depuis juin 2002 une seacuterie drsquoeacutetudes relatives aux eacutevaluations des impacts des technologies rizicoles particuliegraverement les Nericas
Ce meacutemoire preacutesente le contexte et lrsquoobjectif de lrsquoeacutetude en premiegravere partie La deuxiegraveme partie preacutesente les mateacuteriels et meacutethodes employeacutes pour la collecte et le traitement des donneacutees Les reacutesultats et les discussions sur les donneacutees collecteacutees figurent agrave la troisiegraveme partie
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
II CONTEXTE ET OBJECTIF DE L rsquoETUDE
En 1997 une eacutequipe de chercheurs et vulgarisateurs de lrsquoIRAG et du SNPRV a eacuteteacute mandateacutee pour se rendre agrave lrsquoADRAO afin de choisir les varieacuteteacutes de riz Nerica susceptibles de satisfaire les critegraveres reacutepondant aux besoins des paysans guineacuteens Ces varieacuteteacutes ont eacuteteacute eacutevalueacutees dans des uniteacutes drsquoexpeacuterimentation paysannes (UEP) en Guineacutee A la mecircme anneacutee cet objectif aboutit agrave un projet drsquoessai de seacutelection de varieacuteteacute participative (PVS) qui srsquoest eacutetaleacute sur une peacuteriode de trois ans (1997 - 1999) Les technologies transfeacutereacutees (varieacuteteacutes Nerica et autres varieacuteteacutes ameacutelioreacutees) dans le cadre de ce projet sont compileacutees dans le rapport de synthegravese (M B Barry et A Condeacute 1999)
Lrsquoobjectif de creacuteation du riz Nerica eacutetait de combiner le potentiel de rendement des parents Oriza Sativa (riz asiatique) avec lrsquoadaptation locale des Oriza Glaberima (riz africain)
Depuis les anneacutees 90 les statistiques ont montreacute une augmentation substantielle de la production du riz Cette augmentation est elle due agrave lrsquoaugmentation des superficies cultiveacutees ou agrave la productiviteacute des varieacuteteacutes ameacutelioreacutees (dont les NERICA) introduites D rsquoougrave la neacutecessiteacute drsquoeacutevaluer les impacts de ces varieacuteteacutes ameacutelioreacutees sur la filiegravere riz au niveau des quatre reacutegions naturelles et estimer leurs adoptions par les producteurs
Lrsquoobjectif de cette eacutetude est d rsquoestimer lrsquoadoption de la varieacuteteacute de riz Nerica et de deacuteterminer les facteurs deacuteterminants des choix des riziculteurst
Adoption du riz Nerica par les riziculteurs de Guineacutee 8
III MATERIELS ET METHODES
La meacutethode des quotas a eacuteteacute utiliseacutee pour le recueil des donneacutees Pour reacutepondre aux questions de lrsquoenquecircte les meacutethodes statistiques adopteacutees sont
Analyse factorielle des correspondances eacutetudier la liaison reacutegion et type de varieacuteteacute Modegravele log-lineacuteaire eacutevaluer lrsquoadoption des varieacuteteacutes de riz
- Modegravele logistique multinomial seacutelection des facteurs deacuteterminants
31 Echantillonnage par la meacutethode des quotas
Crsquoest une meacutethode empirique qui preacutesente lrsquoavantage drsquoun coucirct moindre qursquoun sondage probabiliste La meacutethode permet lrsquoextrapolation mais ne permet pas drsquoeacutevaluer la preacutecision des estimations
La population cible est lrsquoensemble des paysans riziculteurs Les paysans choisis dans lrsquoeacutechantillon sont ceux qui sont consideacutereacutes avoir au moins une fois pratiqueacute la riziculture Un total de 80 villages a eacuteteacute choisi dans les preacutefectures Ce choix est lieacute agrave lrsquointroduction du riz Nerica Dans chaque preacutefecture 6 villages en moyenne ont eacuteteacute choisis Ces villages ont eacuteteacute baptiseacutes village drsquointroduction Chaque village drsquointroduction 2 ou 3 villages voisins qui sont consideacutereacutes comme effectuant des eacutechanges avec le village drsquointroduction le plus proche Ces derniers (villages) sont alors baptiseacutes villages satellites parce que rattacheacutes agrave un village d rsquointroduction La figure 1 donne un aperccedilu sur la reacutepartition du riz Nerica en Guineacutee
En moyenne 120 riziculteurs ont eacuteteacute choisis par preacutefectures en raison de 30 paysans par village Ces deacutetails sont reacutesumeacutes dans les tableaux 3 et 4
Adoption du riz Nerica par les riziculteurs de Guineacutee 9
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee
Leacutegende
38 HB = 31 HB = 28 HB =
91 HB
28 HB
38 HB
28 HB
91 HB
1160 HB
28 HB
91 HB
38 HB
28 HB1138 HB
28 HB
91 HB
138 HB
28 HB
91 HB
131 HB
28 HB
131 HBJ
91 HB
Nerica 1 91 HB = Nerica 4Nerica 2 138 HB = Nerica 5Nerica 3 160 HB = Nerica 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Les quotas sont eacutetablis de faccedilon agrave ecirctre sensiblement proportionnels agrave la fraction de la population repreacutesenteacutee par chaque groupe Ils ont eacuteteacute estimeacutes agrave choix raisonneacute par lrsquoenquecircteur
Tableau 1 Plan de reacutepartition de lrsquoeacutechantillon
I
Reacutegion
Village BasseGuineacutee
HauteGuineacutee
GuineacuteeForestiegravere
MoyenneGuineacutee
village 1 nu raquo12 n13 nh
village 2 raquo21 n22 n23 n24
village i nu na niexcl3 nl4
village n nbdquoi raquon2 raquon3 nn4
n2 n2 n3 raquo4 n
rijj- effectif des paysans enquecircteacutes dans le village i de la reacutegion j n - taille de lrsquoeacutechantillon
Les effectifs ntJ sont deacutetermineacutes par les proceacutedeacutes suivants t
bull On doit deacuteterminer les ny de sorte que
n - est la taille de lrsquoeacutechantillon
bull On utilise alors la regravegle laquo proportionnelle raquo
nj = nN
N et Nyuml sont respectivement le nombre total de riziculteurs et le nombre de riziculteurs dans le village i
Ces valeurs n rsquoeacutetant pas connus par lrsquoenquecircteur le rapportN
a eacuteteacute estimeacute par un choix
raisonne
N bdquoSoit
Nu _
mdash f i j - Freacutequence de riziculteurs de la cellule (i j)
Le nombre de villages ne sont pas identiques dans les reacutegions Lrsquoeacutechantillon constitueacute figure dans les tableaux 3 et 4 Les paysans ont reacutepondu aux questionnaires dont lrsquoextrait est preacutesenteacute dans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 11
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Liste des annexes
Annexe 1 Extrait de la fiche d rsquoenquecircte 38
Annexe 2 Reacutepartition des paysans dans les villages 39
Annexe 3 Programme et reacutesultats de calcul des estimateurs de l rsquoeacutechantillon 40
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes 42
Annexe 6 Graphiques des composantes et des axes de l rsquoafc 44
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre de riziculteurs46
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants 49
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants 53
i1 i
Adoption du riz Nerica par les riziculteurs de Guineacutee
iY
Liste des tableaux et ligures
Tableau 1 Plan de reacutepartition de l rsquoeacutechantillon 11
Tableau 2 Preacutesentation des donneacutees pour deux variables 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion 16
Tableau 4 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait) 17
Tableau 5 Reacutepartition de l rsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture 26
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003 28
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute 29
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute 29
Tableau 10 Comparaison des modegraveles log-lineacuteaires 32
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute32
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants34
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs d rsquoeacutetudes49
Tableau 14 freacutequences de reacuteponses sur le goucirct 49
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse 50
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute 51
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide 51
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement 52
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee 10
Figure 2 Reacutepartition des paysans dans les villages d rsquoeacutetudes 26
Figure 3 Graphique des valeurs propres pour lafc 30
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes 31
Adoption du riz Nerica par les riziculteurs de Guineacutee 4
Acronymes et principales abreacuteviations
ADRAO Centre du riz pour lrsquoAfrique (anciennement Association pour le Deacuteveloppement du riz en Afrique de lrsquoOuest)
ANO VA Analysis of variance
CIRAD Centre de coopeacuteration internationale en recherche agronomique pour le deacuteveloppement
GLM Modegravele lineacuteaire geacuteneacuteraliseacute
HB Homogeneous Bulk
IRAG Institut de recherche agronomique de Guineacutee
LPDA Lettre de Politique pour le Deacuteveloppement Agricole
NERICA New rice for Africa
PVS Participatory Variety Selection
SNPRV Service national de la promotion rurale et de la vulgarisation
UEP Uniteacute d rsquoexpeacuterimentation paysanne
UPR Uniteacute propre de recherche
WAB WARDAADRAO-Bouakeacute
1
Adoption du riz Nerica par les riziculteurs de Guineacutee 5
Remerciements
Je tiens agrave remercier Messieurs Philippe LETOURMY et Seacutekou BEAVOGUI tous biostatisticiens respectivement responsable de lrsquoUPR drsquoAide agrave la deacutecision et Biostatistique au Cirad et Directeur Geacuteneacuteral de lrsquoIRAG de m rsquoavoir accepteacute et pour leur suivi continu tout au long du stage Que tout le personnel de ces uniteacutes trouve ma profonde gratitude particuliegraverement Monsieur Eric GOZEacute eacutegalement biomeacutetricien qui nrsquoa pas eacutepargneacute de son temps pour des enseignements statistiques et des guides Je remercie Monsieur Aliou DIAGNE eacuteconomiste agrave lrsquoAdrao drsquoavoir accepteacute d rsquoecirctre le co-tuteur au cours de ce stage
Je remercie tous mes enseignants qui m rsquoont encourageacute au cours de cette formation particuliegraverement Messieurs Jean-Noeumll BACRO et Robert SABATIER
Enfin je remercie le Service Coopeacuteration et drsquoAction Culturelle de Guineacutee drsquoavoir financeacute cette formation Que les chercheurs de lrsquoIRAG et du SNPRV trouvent ici ma profonde gratitude pour leur entiegravere disponibiliteacute ainsi que les paysans guineacuteens aupregraves desquels les enquecirctes ont eacuteteacute effectueacutees
i
Adoption du riz Nerica par les riziculteurs de Guineacutee 6
I INTRODUCTION
La Guineacutee est un pays de lrsquoAfrique de lrsquoouest situeacutee entre 7deg05rsquo N et 12deg51rsquoN et 7deg30rsquoW et 15deg10rsquoW et a une superficie de 245 857 km2 pour une population de 7 416 823 habitants (recensement de 1996) Crsquoest un pays fonciegraverement agricole et plus de la moitieacute des guineacuteens travaillent dans lrsquoagriculture qui contribue agrave 242 du pib
Le riz est la cleacute de voucircte du systegraveme alimentaire des guineacuteens qui figurent parmi les plus grands consommateurs de cette denreacutee en Afrique La consommation nationale en riz varie selon les reacutegions naturelles du pays En moyenne elle se situe aux alentours de 90 kg par tecircte drsquohabitant et par an (A Diagne 2005)
Les besoins nationaux de riz sont au delagrave de la production nationale qui sont combleacutes par les importations dont la croissance annuelle est de lrsquoordre de 8 contre un taux de croissance annuelle de 2 pour la production nationale de paddy (FAOSTAT 2004)
Afin de reacuteduire de faccedilon progressive les importations de riz un vaste programme de relance de la riziculture a eacuteteacute initieacute par F Etat guineacuteen Il a consisteacute agrave la mise en place progressive de projets et services agricoles orienteacutes sur le deacuteveloppement de la riziculture afin drsquoameacuteliorer les rendements au niveau des systegravemes rizicoles Un volet important de ce programme est le transfert de technologies rizicoles en milieu paysan qui a eacuteteacute entameacute en 1997 Crsquoest ainsi que les certaines varieacuteteacutes de lrsquoADRAO (les W AB) seront plus tard deacutenommeacutees les Nerica
LrsquoIRAG et le SNPRV en collaboration avec lrsquoADRAO ont entrepris depuis juin 2002 une seacuterie drsquoeacutetudes relatives aux eacutevaluations des impacts des technologies rizicoles particuliegraverement les Nericas
Ce meacutemoire preacutesente le contexte et lrsquoobjectif de lrsquoeacutetude en premiegravere partie La deuxiegraveme partie preacutesente les mateacuteriels et meacutethodes employeacutes pour la collecte et le traitement des donneacutees Les reacutesultats et les discussions sur les donneacutees collecteacutees figurent agrave la troisiegraveme partie
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
II CONTEXTE ET OBJECTIF DE L rsquoETUDE
En 1997 une eacutequipe de chercheurs et vulgarisateurs de lrsquoIRAG et du SNPRV a eacuteteacute mandateacutee pour se rendre agrave lrsquoADRAO afin de choisir les varieacuteteacutes de riz Nerica susceptibles de satisfaire les critegraveres reacutepondant aux besoins des paysans guineacuteens Ces varieacuteteacutes ont eacuteteacute eacutevalueacutees dans des uniteacutes drsquoexpeacuterimentation paysannes (UEP) en Guineacutee A la mecircme anneacutee cet objectif aboutit agrave un projet drsquoessai de seacutelection de varieacuteteacute participative (PVS) qui srsquoest eacutetaleacute sur une peacuteriode de trois ans (1997 - 1999) Les technologies transfeacutereacutees (varieacuteteacutes Nerica et autres varieacuteteacutes ameacutelioreacutees) dans le cadre de ce projet sont compileacutees dans le rapport de synthegravese (M B Barry et A Condeacute 1999)
Lrsquoobjectif de creacuteation du riz Nerica eacutetait de combiner le potentiel de rendement des parents Oriza Sativa (riz asiatique) avec lrsquoadaptation locale des Oriza Glaberima (riz africain)
Depuis les anneacutees 90 les statistiques ont montreacute une augmentation substantielle de la production du riz Cette augmentation est elle due agrave lrsquoaugmentation des superficies cultiveacutees ou agrave la productiviteacute des varieacuteteacutes ameacutelioreacutees (dont les NERICA) introduites D rsquoougrave la neacutecessiteacute drsquoeacutevaluer les impacts de ces varieacuteteacutes ameacutelioreacutees sur la filiegravere riz au niveau des quatre reacutegions naturelles et estimer leurs adoptions par les producteurs
Lrsquoobjectif de cette eacutetude est d rsquoestimer lrsquoadoption de la varieacuteteacute de riz Nerica et de deacuteterminer les facteurs deacuteterminants des choix des riziculteurst
Adoption du riz Nerica par les riziculteurs de Guineacutee 8
III MATERIELS ET METHODES
La meacutethode des quotas a eacuteteacute utiliseacutee pour le recueil des donneacutees Pour reacutepondre aux questions de lrsquoenquecircte les meacutethodes statistiques adopteacutees sont
Analyse factorielle des correspondances eacutetudier la liaison reacutegion et type de varieacuteteacute Modegravele log-lineacuteaire eacutevaluer lrsquoadoption des varieacuteteacutes de riz
- Modegravele logistique multinomial seacutelection des facteurs deacuteterminants
31 Echantillonnage par la meacutethode des quotas
Crsquoest une meacutethode empirique qui preacutesente lrsquoavantage drsquoun coucirct moindre qursquoun sondage probabiliste La meacutethode permet lrsquoextrapolation mais ne permet pas drsquoeacutevaluer la preacutecision des estimations
La population cible est lrsquoensemble des paysans riziculteurs Les paysans choisis dans lrsquoeacutechantillon sont ceux qui sont consideacutereacutes avoir au moins une fois pratiqueacute la riziculture Un total de 80 villages a eacuteteacute choisi dans les preacutefectures Ce choix est lieacute agrave lrsquointroduction du riz Nerica Dans chaque preacutefecture 6 villages en moyenne ont eacuteteacute choisis Ces villages ont eacuteteacute baptiseacutes village drsquointroduction Chaque village drsquointroduction 2 ou 3 villages voisins qui sont consideacutereacutes comme effectuant des eacutechanges avec le village drsquointroduction le plus proche Ces derniers (villages) sont alors baptiseacutes villages satellites parce que rattacheacutes agrave un village d rsquointroduction La figure 1 donne un aperccedilu sur la reacutepartition du riz Nerica en Guineacutee
En moyenne 120 riziculteurs ont eacuteteacute choisis par preacutefectures en raison de 30 paysans par village Ces deacutetails sont reacutesumeacutes dans les tableaux 3 et 4
Adoption du riz Nerica par les riziculteurs de Guineacutee 9
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee
Leacutegende
38 HB = 31 HB = 28 HB =
91 HB
28 HB
38 HB
28 HB
91 HB
1160 HB
28 HB
91 HB
38 HB
28 HB1138 HB
28 HB
91 HB
138 HB
28 HB
91 HB
131 HB
28 HB
131 HBJ
91 HB
Nerica 1 91 HB = Nerica 4Nerica 2 138 HB = Nerica 5Nerica 3 160 HB = Nerica 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Les quotas sont eacutetablis de faccedilon agrave ecirctre sensiblement proportionnels agrave la fraction de la population repreacutesenteacutee par chaque groupe Ils ont eacuteteacute estimeacutes agrave choix raisonneacute par lrsquoenquecircteur
Tableau 1 Plan de reacutepartition de lrsquoeacutechantillon
I
Reacutegion
Village BasseGuineacutee
HauteGuineacutee
GuineacuteeForestiegravere
MoyenneGuineacutee
village 1 nu raquo12 n13 nh
village 2 raquo21 n22 n23 n24
village i nu na niexcl3 nl4
village n nbdquoi raquon2 raquon3 nn4
n2 n2 n3 raquo4 n
rijj- effectif des paysans enquecircteacutes dans le village i de la reacutegion j n - taille de lrsquoeacutechantillon
Les effectifs ntJ sont deacutetermineacutes par les proceacutedeacutes suivants t
bull On doit deacuteterminer les ny de sorte que
n - est la taille de lrsquoeacutechantillon
bull On utilise alors la regravegle laquo proportionnelle raquo
nj = nN
N et Nyuml sont respectivement le nombre total de riziculteurs et le nombre de riziculteurs dans le village i
Ces valeurs n rsquoeacutetant pas connus par lrsquoenquecircteur le rapportN
a eacuteteacute estimeacute par un choix
raisonne
N bdquoSoit
Nu _
mdash f i j - Freacutequence de riziculteurs de la cellule (i j)
Le nombre de villages ne sont pas identiques dans les reacutegions Lrsquoeacutechantillon constitueacute figure dans les tableaux 3 et 4 Les paysans ont reacutepondu aux questionnaires dont lrsquoextrait est preacutesenteacute dans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 11
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Liste des tableaux et ligures
Tableau 1 Plan de reacutepartition de l rsquoeacutechantillon 11
Tableau 2 Preacutesentation des donneacutees pour deux variables 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion 16
Tableau 4 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait) 17
Tableau 5 Reacutepartition de l rsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture 26
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003 28
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute 29
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute 29
Tableau 10 Comparaison des modegraveles log-lineacuteaires 32
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute32
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants34
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs d rsquoeacutetudes49
Tableau 14 freacutequences de reacuteponses sur le goucirct 49
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse 50
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute 51
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide 51
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement 52
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee 10
Figure 2 Reacutepartition des paysans dans les villages d rsquoeacutetudes 26
Figure 3 Graphique des valeurs propres pour lafc 30
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes 31
Adoption du riz Nerica par les riziculteurs de Guineacutee 4
Acronymes et principales abreacuteviations
ADRAO Centre du riz pour lrsquoAfrique (anciennement Association pour le Deacuteveloppement du riz en Afrique de lrsquoOuest)
ANO VA Analysis of variance
CIRAD Centre de coopeacuteration internationale en recherche agronomique pour le deacuteveloppement
GLM Modegravele lineacuteaire geacuteneacuteraliseacute
HB Homogeneous Bulk
IRAG Institut de recherche agronomique de Guineacutee
LPDA Lettre de Politique pour le Deacuteveloppement Agricole
NERICA New rice for Africa
PVS Participatory Variety Selection
SNPRV Service national de la promotion rurale et de la vulgarisation
UEP Uniteacute d rsquoexpeacuterimentation paysanne
UPR Uniteacute propre de recherche
WAB WARDAADRAO-Bouakeacute
1
Adoption du riz Nerica par les riziculteurs de Guineacutee 5
Remerciements
Je tiens agrave remercier Messieurs Philippe LETOURMY et Seacutekou BEAVOGUI tous biostatisticiens respectivement responsable de lrsquoUPR drsquoAide agrave la deacutecision et Biostatistique au Cirad et Directeur Geacuteneacuteral de lrsquoIRAG de m rsquoavoir accepteacute et pour leur suivi continu tout au long du stage Que tout le personnel de ces uniteacutes trouve ma profonde gratitude particuliegraverement Monsieur Eric GOZEacute eacutegalement biomeacutetricien qui nrsquoa pas eacutepargneacute de son temps pour des enseignements statistiques et des guides Je remercie Monsieur Aliou DIAGNE eacuteconomiste agrave lrsquoAdrao drsquoavoir accepteacute d rsquoecirctre le co-tuteur au cours de ce stage
Je remercie tous mes enseignants qui m rsquoont encourageacute au cours de cette formation particuliegraverement Messieurs Jean-Noeumll BACRO et Robert SABATIER
Enfin je remercie le Service Coopeacuteration et drsquoAction Culturelle de Guineacutee drsquoavoir financeacute cette formation Que les chercheurs de lrsquoIRAG et du SNPRV trouvent ici ma profonde gratitude pour leur entiegravere disponibiliteacute ainsi que les paysans guineacuteens aupregraves desquels les enquecirctes ont eacuteteacute effectueacutees
i
Adoption du riz Nerica par les riziculteurs de Guineacutee 6
I INTRODUCTION
La Guineacutee est un pays de lrsquoAfrique de lrsquoouest situeacutee entre 7deg05rsquo N et 12deg51rsquoN et 7deg30rsquoW et 15deg10rsquoW et a une superficie de 245 857 km2 pour une population de 7 416 823 habitants (recensement de 1996) Crsquoest un pays fonciegraverement agricole et plus de la moitieacute des guineacuteens travaillent dans lrsquoagriculture qui contribue agrave 242 du pib
Le riz est la cleacute de voucircte du systegraveme alimentaire des guineacuteens qui figurent parmi les plus grands consommateurs de cette denreacutee en Afrique La consommation nationale en riz varie selon les reacutegions naturelles du pays En moyenne elle se situe aux alentours de 90 kg par tecircte drsquohabitant et par an (A Diagne 2005)
Les besoins nationaux de riz sont au delagrave de la production nationale qui sont combleacutes par les importations dont la croissance annuelle est de lrsquoordre de 8 contre un taux de croissance annuelle de 2 pour la production nationale de paddy (FAOSTAT 2004)
Afin de reacuteduire de faccedilon progressive les importations de riz un vaste programme de relance de la riziculture a eacuteteacute initieacute par F Etat guineacuteen Il a consisteacute agrave la mise en place progressive de projets et services agricoles orienteacutes sur le deacuteveloppement de la riziculture afin drsquoameacuteliorer les rendements au niveau des systegravemes rizicoles Un volet important de ce programme est le transfert de technologies rizicoles en milieu paysan qui a eacuteteacute entameacute en 1997 Crsquoest ainsi que les certaines varieacuteteacutes de lrsquoADRAO (les W AB) seront plus tard deacutenommeacutees les Nerica
LrsquoIRAG et le SNPRV en collaboration avec lrsquoADRAO ont entrepris depuis juin 2002 une seacuterie drsquoeacutetudes relatives aux eacutevaluations des impacts des technologies rizicoles particuliegraverement les Nericas
Ce meacutemoire preacutesente le contexte et lrsquoobjectif de lrsquoeacutetude en premiegravere partie La deuxiegraveme partie preacutesente les mateacuteriels et meacutethodes employeacutes pour la collecte et le traitement des donneacutees Les reacutesultats et les discussions sur les donneacutees collecteacutees figurent agrave la troisiegraveme partie
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
II CONTEXTE ET OBJECTIF DE L rsquoETUDE
En 1997 une eacutequipe de chercheurs et vulgarisateurs de lrsquoIRAG et du SNPRV a eacuteteacute mandateacutee pour se rendre agrave lrsquoADRAO afin de choisir les varieacuteteacutes de riz Nerica susceptibles de satisfaire les critegraveres reacutepondant aux besoins des paysans guineacuteens Ces varieacuteteacutes ont eacuteteacute eacutevalueacutees dans des uniteacutes drsquoexpeacuterimentation paysannes (UEP) en Guineacutee A la mecircme anneacutee cet objectif aboutit agrave un projet drsquoessai de seacutelection de varieacuteteacute participative (PVS) qui srsquoest eacutetaleacute sur une peacuteriode de trois ans (1997 - 1999) Les technologies transfeacutereacutees (varieacuteteacutes Nerica et autres varieacuteteacutes ameacutelioreacutees) dans le cadre de ce projet sont compileacutees dans le rapport de synthegravese (M B Barry et A Condeacute 1999)
Lrsquoobjectif de creacuteation du riz Nerica eacutetait de combiner le potentiel de rendement des parents Oriza Sativa (riz asiatique) avec lrsquoadaptation locale des Oriza Glaberima (riz africain)
Depuis les anneacutees 90 les statistiques ont montreacute une augmentation substantielle de la production du riz Cette augmentation est elle due agrave lrsquoaugmentation des superficies cultiveacutees ou agrave la productiviteacute des varieacuteteacutes ameacutelioreacutees (dont les NERICA) introduites D rsquoougrave la neacutecessiteacute drsquoeacutevaluer les impacts de ces varieacuteteacutes ameacutelioreacutees sur la filiegravere riz au niveau des quatre reacutegions naturelles et estimer leurs adoptions par les producteurs
Lrsquoobjectif de cette eacutetude est d rsquoestimer lrsquoadoption de la varieacuteteacute de riz Nerica et de deacuteterminer les facteurs deacuteterminants des choix des riziculteurst
Adoption du riz Nerica par les riziculteurs de Guineacutee 8
III MATERIELS ET METHODES
La meacutethode des quotas a eacuteteacute utiliseacutee pour le recueil des donneacutees Pour reacutepondre aux questions de lrsquoenquecircte les meacutethodes statistiques adopteacutees sont
Analyse factorielle des correspondances eacutetudier la liaison reacutegion et type de varieacuteteacute Modegravele log-lineacuteaire eacutevaluer lrsquoadoption des varieacuteteacutes de riz
- Modegravele logistique multinomial seacutelection des facteurs deacuteterminants
31 Echantillonnage par la meacutethode des quotas
Crsquoest une meacutethode empirique qui preacutesente lrsquoavantage drsquoun coucirct moindre qursquoun sondage probabiliste La meacutethode permet lrsquoextrapolation mais ne permet pas drsquoeacutevaluer la preacutecision des estimations
La population cible est lrsquoensemble des paysans riziculteurs Les paysans choisis dans lrsquoeacutechantillon sont ceux qui sont consideacutereacutes avoir au moins une fois pratiqueacute la riziculture Un total de 80 villages a eacuteteacute choisi dans les preacutefectures Ce choix est lieacute agrave lrsquointroduction du riz Nerica Dans chaque preacutefecture 6 villages en moyenne ont eacuteteacute choisis Ces villages ont eacuteteacute baptiseacutes village drsquointroduction Chaque village drsquointroduction 2 ou 3 villages voisins qui sont consideacutereacutes comme effectuant des eacutechanges avec le village drsquointroduction le plus proche Ces derniers (villages) sont alors baptiseacutes villages satellites parce que rattacheacutes agrave un village d rsquointroduction La figure 1 donne un aperccedilu sur la reacutepartition du riz Nerica en Guineacutee
En moyenne 120 riziculteurs ont eacuteteacute choisis par preacutefectures en raison de 30 paysans par village Ces deacutetails sont reacutesumeacutes dans les tableaux 3 et 4
Adoption du riz Nerica par les riziculteurs de Guineacutee 9
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee
Leacutegende
38 HB = 31 HB = 28 HB =
91 HB
28 HB
38 HB
28 HB
91 HB
1160 HB
28 HB
91 HB
38 HB
28 HB1138 HB
28 HB
91 HB
138 HB
28 HB
91 HB
131 HB
28 HB
131 HBJ
91 HB
Nerica 1 91 HB = Nerica 4Nerica 2 138 HB = Nerica 5Nerica 3 160 HB = Nerica 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Les quotas sont eacutetablis de faccedilon agrave ecirctre sensiblement proportionnels agrave la fraction de la population repreacutesenteacutee par chaque groupe Ils ont eacuteteacute estimeacutes agrave choix raisonneacute par lrsquoenquecircteur
Tableau 1 Plan de reacutepartition de lrsquoeacutechantillon
I
Reacutegion
Village BasseGuineacutee
HauteGuineacutee
GuineacuteeForestiegravere
MoyenneGuineacutee
village 1 nu raquo12 n13 nh
village 2 raquo21 n22 n23 n24
village i nu na niexcl3 nl4
village n nbdquoi raquon2 raquon3 nn4
n2 n2 n3 raquo4 n
rijj- effectif des paysans enquecircteacutes dans le village i de la reacutegion j n - taille de lrsquoeacutechantillon
Les effectifs ntJ sont deacutetermineacutes par les proceacutedeacutes suivants t
bull On doit deacuteterminer les ny de sorte que
n - est la taille de lrsquoeacutechantillon
bull On utilise alors la regravegle laquo proportionnelle raquo
nj = nN
N et Nyuml sont respectivement le nombre total de riziculteurs et le nombre de riziculteurs dans le village i
Ces valeurs n rsquoeacutetant pas connus par lrsquoenquecircteur le rapportN
a eacuteteacute estimeacute par un choix
raisonne
N bdquoSoit
Nu _
mdash f i j - Freacutequence de riziculteurs de la cellule (i j)
Le nombre de villages ne sont pas identiques dans les reacutegions Lrsquoeacutechantillon constitueacute figure dans les tableaux 3 et 4 Les paysans ont reacutepondu aux questionnaires dont lrsquoextrait est preacutesenteacute dans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 11
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Acronymes et principales abreacuteviations
ADRAO Centre du riz pour lrsquoAfrique (anciennement Association pour le Deacuteveloppement du riz en Afrique de lrsquoOuest)
ANO VA Analysis of variance
CIRAD Centre de coopeacuteration internationale en recherche agronomique pour le deacuteveloppement
GLM Modegravele lineacuteaire geacuteneacuteraliseacute
HB Homogeneous Bulk
IRAG Institut de recherche agronomique de Guineacutee
LPDA Lettre de Politique pour le Deacuteveloppement Agricole
NERICA New rice for Africa
PVS Participatory Variety Selection
SNPRV Service national de la promotion rurale et de la vulgarisation
UEP Uniteacute d rsquoexpeacuterimentation paysanne
UPR Uniteacute propre de recherche
WAB WARDAADRAO-Bouakeacute
1
Adoption du riz Nerica par les riziculteurs de Guineacutee 5
Remerciements
Je tiens agrave remercier Messieurs Philippe LETOURMY et Seacutekou BEAVOGUI tous biostatisticiens respectivement responsable de lrsquoUPR drsquoAide agrave la deacutecision et Biostatistique au Cirad et Directeur Geacuteneacuteral de lrsquoIRAG de m rsquoavoir accepteacute et pour leur suivi continu tout au long du stage Que tout le personnel de ces uniteacutes trouve ma profonde gratitude particuliegraverement Monsieur Eric GOZEacute eacutegalement biomeacutetricien qui nrsquoa pas eacutepargneacute de son temps pour des enseignements statistiques et des guides Je remercie Monsieur Aliou DIAGNE eacuteconomiste agrave lrsquoAdrao drsquoavoir accepteacute d rsquoecirctre le co-tuteur au cours de ce stage
Je remercie tous mes enseignants qui m rsquoont encourageacute au cours de cette formation particuliegraverement Messieurs Jean-Noeumll BACRO et Robert SABATIER
Enfin je remercie le Service Coopeacuteration et drsquoAction Culturelle de Guineacutee drsquoavoir financeacute cette formation Que les chercheurs de lrsquoIRAG et du SNPRV trouvent ici ma profonde gratitude pour leur entiegravere disponibiliteacute ainsi que les paysans guineacuteens aupregraves desquels les enquecirctes ont eacuteteacute effectueacutees
i
Adoption du riz Nerica par les riziculteurs de Guineacutee 6
I INTRODUCTION
La Guineacutee est un pays de lrsquoAfrique de lrsquoouest situeacutee entre 7deg05rsquo N et 12deg51rsquoN et 7deg30rsquoW et 15deg10rsquoW et a une superficie de 245 857 km2 pour une population de 7 416 823 habitants (recensement de 1996) Crsquoest un pays fonciegraverement agricole et plus de la moitieacute des guineacuteens travaillent dans lrsquoagriculture qui contribue agrave 242 du pib
Le riz est la cleacute de voucircte du systegraveme alimentaire des guineacuteens qui figurent parmi les plus grands consommateurs de cette denreacutee en Afrique La consommation nationale en riz varie selon les reacutegions naturelles du pays En moyenne elle se situe aux alentours de 90 kg par tecircte drsquohabitant et par an (A Diagne 2005)
Les besoins nationaux de riz sont au delagrave de la production nationale qui sont combleacutes par les importations dont la croissance annuelle est de lrsquoordre de 8 contre un taux de croissance annuelle de 2 pour la production nationale de paddy (FAOSTAT 2004)
Afin de reacuteduire de faccedilon progressive les importations de riz un vaste programme de relance de la riziculture a eacuteteacute initieacute par F Etat guineacuteen Il a consisteacute agrave la mise en place progressive de projets et services agricoles orienteacutes sur le deacuteveloppement de la riziculture afin drsquoameacuteliorer les rendements au niveau des systegravemes rizicoles Un volet important de ce programme est le transfert de technologies rizicoles en milieu paysan qui a eacuteteacute entameacute en 1997 Crsquoest ainsi que les certaines varieacuteteacutes de lrsquoADRAO (les W AB) seront plus tard deacutenommeacutees les Nerica
LrsquoIRAG et le SNPRV en collaboration avec lrsquoADRAO ont entrepris depuis juin 2002 une seacuterie drsquoeacutetudes relatives aux eacutevaluations des impacts des technologies rizicoles particuliegraverement les Nericas
Ce meacutemoire preacutesente le contexte et lrsquoobjectif de lrsquoeacutetude en premiegravere partie La deuxiegraveme partie preacutesente les mateacuteriels et meacutethodes employeacutes pour la collecte et le traitement des donneacutees Les reacutesultats et les discussions sur les donneacutees collecteacutees figurent agrave la troisiegraveme partie
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
II CONTEXTE ET OBJECTIF DE L rsquoETUDE
En 1997 une eacutequipe de chercheurs et vulgarisateurs de lrsquoIRAG et du SNPRV a eacuteteacute mandateacutee pour se rendre agrave lrsquoADRAO afin de choisir les varieacuteteacutes de riz Nerica susceptibles de satisfaire les critegraveres reacutepondant aux besoins des paysans guineacuteens Ces varieacuteteacutes ont eacuteteacute eacutevalueacutees dans des uniteacutes drsquoexpeacuterimentation paysannes (UEP) en Guineacutee A la mecircme anneacutee cet objectif aboutit agrave un projet drsquoessai de seacutelection de varieacuteteacute participative (PVS) qui srsquoest eacutetaleacute sur une peacuteriode de trois ans (1997 - 1999) Les technologies transfeacutereacutees (varieacuteteacutes Nerica et autres varieacuteteacutes ameacutelioreacutees) dans le cadre de ce projet sont compileacutees dans le rapport de synthegravese (M B Barry et A Condeacute 1999)
Lrsquoobjectif de creacuteation du riz Nerica eacutetait de combiner le potentiel de rendement des parents Oriza Sativa (riz asiatique) avec lrsquoadaptation locale des Oriza Glaberima (riz africain)
Depuis les anneacutees 90 les statistiques ont montreacute une augmentation substantielle de la production du riz Cette augmentation est elle due agrave lrsquoaugmentation des superficies cultiveacutees ou agrave la productiviteacute des varieacuteteacutes ameacutelioreacutees (dont les NERICA) introduites D rsquoougrave la neacutecessiteacute drsquoeacutevaluer les impacts de ces varieacuteteacutes ameacutelioreacutees sur la filiegravere riz au niveau des quatre reacutegions naturelles et estimer leurs adoptions par les producteurs
Lrsquoobjectif de cette eacutetude est d rsquoestimer lrsquoadoption de la varieacuteteacute de riz Nerica et de deacuteterminer les facteurs deacuteterminants des choix des riziculteurst
Adoption du riz Nerica par les riziculteurs de Guineacutee 8
III MATERIELS ET METHODES
La meacutethode des quotas a eacuteteacute utiliseacutee pour le recueil des donneacutees Pour reacutepondre aux questions de lrsquoenquecircte les meacutethodes statistiques adopteacutees sont
Analyse factorielle des correspondances eacutetudier la liaison reacutegion et type de varieacuteteacute Modegravele log-lineacuteaire eacutevaluer lrsquoadoption des varieacuteteacutes de riz
- Modegravele logistique multinomial seacutelection des facteurs deacuteterminants
31 Echantillonnage par la meacutethode des quotas
Crsquoest une meacutethode empirique qui preacutesente lrsquoavantage drsquoun coucirct moindre qursquoun sondage probabiliste La meacutethode permet lrsquoextrapolation mais ne permet pas drsquoeacutevaluer la preacutecision des estimations
La population cible est lrsquoensemble des paysans riziculteurs Les paysans choisis dans lrsquoeacutechantillon sont ceux qui sont consideacutereacutes avoir au moins une fois pratiqueacute la riziculture Un total de 80 villages a eacuteteacute choisi dans les preacutefectures Ce choix est lieacute agrave lrsquointroduction du riz Nerica Dans chaque preacutefecture 6 villages en moyenne ont eacuteteacute choisis Ces villages ont eacuteteacute baptiseacutes village drsquointroduction Chaque village drsquointroduction 2 ou 3 villages voisins qui sont consideacutereacutes comme effectuant des eacutechanges avec le village drsquointroduction le plus proche Ces derniers (villages) sont alors baptiseacutes villages satellites parce que rattacheacutes agrave un village d rsquointroduction La figure 1 donne un aperccedilu sur la reacutepartition du riz Nerica en Guineacutee
En moyenne 120 riziculteurs ont eacuteteacute choisis par preacutefectures en raison de 30 paysans par village Ces deacutetails sont reacutesumeacutes dans les tableaux 3 et 4
Adoption du riz Nerica par les riziculteurs de Guineacutee 9
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee
Leacutegende
38 HB = 31 HB = 28 HB =
91 HB
28 HB
38 HB
28 HB
91 HB
1160 HB
28 HB
91 HB
38 HB
28 HB1138 HB
28 HB
91 HB
138 HB
28 HB
91 HB
131 HB
28 HB
131 HBJ
91 HB
Nerica 1 91 HB = Nerica 4Nerica 2 138 HB = Nerica 5Nerica 3 160 HB = Nerica 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Les quotas sont eacutetablis de faccedilon agrave ecirctre sensiblement proportionnels agrave la fraction de la population repreacutesenteacutee par chaque groupe Ils ont eacuteteacute estimeacutes agrave choix raisonneacute par lrsquoenquecircteur
Tableau 1 Plan de reacutepartition de lrsquoeacutechantillon
I
Reacutegion
Village BasseGuineacutee
HauteGuineacutee
GuineacuteeForestiegravere
MoyenneGuineacutee
village 1 nu raquo12 n13 nh
village 2 raquo21 n22 n23 n24
village i nu na niexcl3 nl4
village n nbdquoi raquon2 raquon3 nn4
n2 n2 n3 raquo4 n
rijj- effectif des paysans enquecircteacutes dans le village i de la reacutegion j n - taille de lrsquoeacutechantillon
Les effectifs ntJ sont deacutetermineacutes par les proceacutedeacutes suivants t
bull On doit deacuteterminer les ny de sorte que
n - est la taille de lrsquoeacutechantillon
bull On utilise alors la regravegle laquo proportionnelle raquo
nj = nN
N et Nyuml sont respectivement le nombre total de riziculteurs et le nombre de riziculteurs dans le village i
Ces valeurs n rsquoeacutetant pas connus par lrsquoenquecircteur le rapportN
a eacuteteacute estimeacute par un choix
raisonne
N bdquoSoit
Nu _
mdash f i j - Freacutequence de riziculteurs de la cellule (i j)
Le nombre de villages ne sont pas identiques dans les reacutegions Lrsquoeacutechantillon constitueacute figure dans les tableaux 3 et 4 Les paysans ont reacutepondu aux questionnaires dont lrsquoextrait est preacutesenteacute dans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 11
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Remerciements
Je tiens agrave remercier Messieurs Philippe LETOURMY et Seacutekou BEAVOGUI tous biostatisticiens respectivement responsable de lrsquoUPR drsquoAide agrave la deacutecision et Biostatistique au Cirad et Directeur Geacuteneacuteral de lrsquoIRAG de m rsquoavoir accepteacute et pour leur suivi continu tout au long du stage Que tout le personnel de ces uniteacutes trouve ma profonde gratitude particuliegraverement Monsieur Eric GOZEacute eacutegalement biomeacutetricien qui nrsquoa pas eacutepargneacute de son temps pour des enseignements statistiques et des guides Je remercie Monsieur Aliou DIAGNE eacuteconomiste agrave lrsquoAdrao drsquoavoir accepteacute d rsquoecirctre le co-tuteur au cours de ce stage
Je remercie tous mes enseignants qui m rsquoont encourageacute au cours de cette formation particuliegraverement Messieurs Jean-Noeumll BACRO et Robert SABATIER
Enfin je remercie le Service Coopeacuteration et drsquoAction Culturelle de Guineacutee drsquoavoir financeacute cette formation Que les chercheurs de lrsquoIRAG et du SNPRV trouvent ici ma profonde gratitude pour leur entiegravere disponibiliteacute ainsi que les paysans guineacuteens aupregraves desquels les enquecirctes ont eacuteteacute effectueacutees
i
Adoption du riz Nerica par les riziculteurs de Guineacutee 6
I INTRODUCTION
La Guineacutee est un pays de lrsquoAfrique de lrsquoouest situeacutee entre 7deg05rsquo N et 12deg51rsquoN et 7deg30rsquoW et 15deg10rsquoW et a une superficie de 245 857 km2 pour une population de 7 416 823 habitants (recensement de 1996) Crsquoest un pays fonciegraverement agricole et plus de la moitieacute des guineacuteens travaillent dans lrsquoagriculture qui contribue agrave 242 du pib
Le riz est la cleacute de voucircte du systegraveme alimentaire des guineacuteens qui figurent parmi les plus grands consommateurs de cette denreacutee en Afrique La consommation nationale en riz varie selon les reacutegions naturelles du pays En moyenne elle se situe aux alentours de 90 kg par tecircte drsquohabitant et par an (A Diagne 2005)
Les besoins nationaux de riz sont au delagrave de la production nationale qui sont combleacutes par les importations dont la croissance annuelle est de lrsquoordre de 8 contre un taux de croissance annuelle de 2 pour la production nationale de paddy (FAOSTAT 2004)
Afin de reacuteduire de faccedilon progressive les importations de riz un vaste programme de relance de la riziculture a eacuteteacute initieacute par F Etat guineacuteen Il a consisteacute agrave la mise en place progressive de projets et services agricoles orienteacutes sur le deacuteveloppement de la riziculture afin drsquoameacuteliorer les rendements au niveau des systegravemes rizicoles Un volet important de ce programme est le transfert de technologies rizicoles en milieu paysan qui a eacuteteacute entameacute en 1997 Crsquoest ainsi que les certaines varieacuteteacutes de lrsquoADRAO (les W AB) seront plus tard deacutenommeacutees les Nerica
LrsquoIRAG et le SNPRV en collaboration avec lrsquoADRAO ont entrepris depuis juin 2002 une seacuterie drsquoeacutetudes relatives aux eacutevaluations des impacts des technologies rizicoles particuliegraverement les Nericas
Ce meacutemoire preacutesente le contexte et lrsquoobjectif de lrsquoeacutetude en premiegravere partie La deuxiegraveme partie preacutesente les mateacuteriels et meacutethodes employeacutes pour la collecte et le traitement des donneacutees Les reacutesultats et les discussions sur les donneacutees collecteacutees figurent agrave la troisiegraveme partie
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
II CONTEXTE ET OBJECTIF DE L rsquoETUDE
En 1997 une eacutequipe de chercheurs et vulgarisateurs de lrsquoIRAG et du SNPRV a eacuteteacute mandateacutee pour se rendre agrave lrsquoADRAO afin de choisir les varieacuteteacutes de riz Nerica susceptibles de satisfaire les critegraveres reacutepondant aux besoins des paysans guineacuteens Ces varieacuteteacutes ont eacuteteacute eacutevalueacutees dans des uniteacutes drsquoexpeacuterimentation paysannes (UEP) en Guineacutee A la mecircme anneacutee cet objectif aboutit agrave un projet drsquoessai de seacutelection de varieacuteteacute participative (PVS) qui srsquoest eacutetaleacute sur une peacuteriode de trois ans (1997 - 1999) Les technologies transfeacutereacutees (varieacuteteacutes Nerica et autres varieacuteteacutes ameacutelioreacutees) dans le cadre de ce projet sont compileacutees dans le rapport de synthegravese (M B Barry et A Condeacute 1999)
Lrsquoobjectif de creacuteation du riz Nerica eacutetait de combiner le potentiel de rendement des parents Oriza Sativa (riz asiatique) avec lrsquoadaptation locale des Oriza Glaberima (riz africain)
Depuis les anneacutees 90 les statistiques ont montreacute une augmentation substantielle de la production du riz Cette augmentation est elle due agrave lrsquoaugmentation des superficies cultiveacutees ou agrave la productiviteacute des varieacuteteacutes ameacutelioreacutees (dont les NERICA) introduites D rsquoougrave la neacutecessiteacute drsquoeacutevaluer les impacts de ces varieacuteteacutes ameacutelioreacutees sur la filiegravere riz au niveau des quatre reacutegions naturelles et estimer leurs adoptions par les producteurs
Lrsquoobjectif de cette eacutetude est d rsquoestimer lrsquoadoption de la varieacuteteacute de riz Nerica et de deacuteterminer les facteurs deacuteterminants des choix des riziculteurst
Adoption du riz Nerica par les riziculteurs de Guineacutee 8
III MATERIELS ET METHODES
La meacutethode des quotas a eacuteteacute utiliseacutee pour le recueil des donneacutees Pour reacutepondre aux questions de lrsquoenquecircte les meacutethodes statistiques adopteacutees sont
Analyse factorielle des correspondances eacutetudier la liaison reacutegion et type de varieacuteteacute Modegravele log-lineacuteaire eacutevaluer lrsquoadoption des varieacuteteacutes de riz
- Modegravele logistique multinomial seacutelection des facteurs deacuteterminants
31 Echantillonnage par la meacutethode des quotas
Crsquoest une meacutethode empirique qui preacutesente lrsquoavantage drsquoun coucirct moindre qursquoun sondage probabiliste La meacutethode permet lrsquoextrapolation mais ne permet pas drsquoeacutevaluer la preacutecision des estimations
La population cible est lrsquoensemble des paysans riziculteurs Les paysans choisis dans lrsquoeacutechantillon sont ceux qui sont consideacutereacutes avoir au moins une fois pratiqueacute la riziculture Un total de 80 villages a eacuteteacute choisi dans les preacutefectures Ce choix est lieacute agrave lrsquointroduction du riz Nerica Dans chaque preacutefecture 6 villages en moyenne ont eacuteteacute choisis Ces villages ont eacuteteacute baptiseacutes village drsquointroduction Chaque village drsquointroduction 2 ou 3 villages voisins qui sont consideacutereacutes comme effectuant des eacutechanges avec le village drsquointroduction le plus proche Ces derniers (villages) sont alors baptiseacutes villages satellites parce que rattacheacutes agrave un village d rsquointroduction La figure 1 donne un aperccedilu sur la reacutepartition du riz Nerica en Guineacutee
En moyenne 120 riziculteurs ont eacuteteacute choisis par preacutefectures en raison de 30 paysans par village Ces deacutetails sont reacutesumeacutes dans les tableaux 3 et 4
Adoption du riz Nerica par les riziculteurs de Guineacutee 9
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee
Leacutegende
38 HB = 31 HB = 28 HB =
91 HB
28 HB
38 HB
28 HB
91 HB
1160 HB
28 HB
91 HB
38 HB
28 HB1138 HB
28 HB
91 HB
138 HB
28 HB
91 HB
131 HB
28 HB
131 HBJ
91 HB
Nerica 1 91 HB = Nerica 4Nerica 2 138 HB = Nerica 5Nerica 3 160 HB = Nerica 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Les quotas sont eacutetablis de faccedilon agrave ecirctre sensiblement proportionnels agrave la fraction de la population repreacutesenteacutee par chaque groupe Ils ont eacuteteacute estimeacutes agrave choix raisonneacute par lrsquoenquecircteur
Tableau 1 Plan de reacutepartition de lrsquoeacutechantillon
I
Reacutegion
Village BasseGuineacutee
HauteGuineacutee
GuineacuteeForestiegravere
MoyenneGuineacutee
village 1 nu raquo12 n13 nh
village 2 raquo21 n22 n23 n24
village i nu na niexcl3 nl4
village n nbdquoi raquon2 raquon3 nn4
n2 n2 n3 raquo4 n
rijj- effectif des paysans enquecircteacutes dans le village i de la reacutegion j n - taille de lrsquoeacutechantillon
Les effectifs ntJ sont deacutetermineacutes par les proceacutedeacutes suivants t
bull On doit deacuteterminer les ny de sorte que
n - est la taille de lrsquoeacutechantillon
bull On utilise alors la regravegle laquo proportionnelle raquo
nj = nN
N et Nyuml sont respectivement le nombre total de riziculteurs et le nombre de riziculteurs dans le village i
Ces valeurs n rsquoeacutetant pas connus par lrsquoenquecircteur le rapportN
a eacuteteacute estimeacute par un choix
raisonne
N bdquoSoit
Nu _
mdash f i j - Freacutequence de riziculteurs de la cellule (i j)
Le nombre de villages ne sont pas identiques dans les reacutegions Lrsquoeacutechantillon constitueacute figure dans les tableaux 3 et 4 Les paysans ont reacutepondu aux questionnaires dont lrsquoextrait est preacutesenteacute dans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 11
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
I INTRODUCTION
La Guineacutee est un pays de lrsquoAfrique de lrsquoouest situeacutee entre 7deg05rsquo N et 12deg51rsquoN et 7deg30rsquoW et 15deg10rsquoW et a une superficie de 245 857 km2 pour une population de 7 416 823 habitants (recensement de 1996) Crsquoest un pays fonciegraverement agricole et plus de la moitieacute des guineacuteens travaillent dans lrsquoagriculture qui contribue agrave 242 du pib
Le riz est la cleacute de voucircte du systegraveme alimentaire des guineacuteens qui figurent parmi les plus grands consommateurs de cette denreacutee en Afrique La consommation nationale en riz varie selon les reacutegions naturelles du pays En moyenne elle se situe aux alentours de 90 kg par tecircte drsquohabitant et par an (A Diagne 2005)
Les besoins nationaux de riz sont au delagrave de la production nationale qui sont combleacutes par les importations dont la croissance annuelle est de lrsquoordre de 8 contre un taux de croissance annuelle de 2 pour la production nationale de paddy (FAOSTAT 2004)
Afin de reacuteduire de faccedilon progressive les importations de riz un vaste programme de relance de la riziculture a eacuteteacute initieacute par F Etat guineacuteen Il a consisteacute agrave la mise en place progressive de projets et services agricoles orienteacutes sur le deacuteveloppement de la riziculture afin drsquoameacuteliorer les rendements au niveau des systegravemes rizicoles Un volet important de ce programme est le transfert de technologies rizicoles en milieu paysan qui a eacuteteacute entameacute en 1997 Crsquoest ainsi que les certaines varieacuteteacutes de lrsquoADRAO (les W AB) seront plus tard deacutenommeacutees les Nerica
LrsquoIRAG et le SNPRV en collaboration avec lrsquoADRAO ont entrepris depuis juin 2002 une seacuterie drsquoeacutetudes relatives aux eacutevaluations des impacts des technologies rizicoles particuliegraverement les Nericas
Ce meacutemoire preacutesente le contexte et lrsquoobjectif de lrsquoeacutetude en premiegravere partie La deuxiegraveme partie preacutesente les mateacuteriels et meacutethodes employeacutes pour la collecte et le traitement des donneacutees Les reacutesultats et les discussions sur les donneacutees collecteacutees figurent agrave la troisiegraveme partie
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
II CONTEXTE ET OBJECTIF DE L rsquoETUDE
En 1997 une eacutequipe de chercheurs et vulgarisateurs de lrsquoIRAG et du SNPRV a eacuteteacute mandateacutee pour se rendre agrave lrsquoADRAO afin de choisir les varieacuteteacutes de riz Nerica susceptibles de satisfaire les critegraveres reacutepondant aux besoins des paysans guineacuteens Ces varieacuteteacutes ont eacuteteacute eacutevalueacutees dans des uniteacutes drsquoexpeacuterimentation paysannes (UEP) en Guineacutee A la mecircme anneacutee cet objectif aboutit agrave un projet drsquoessai de seacutelection de varieacuteteacute participative (PVS) qui srsquoest eacutetaleacute sur une peacuteriode de trois ans (1997 - 1999) Les technologies transfeacutereacutees (varieacuteteacutes Nerica et autres varieacuteteacutes ameacutelioreacutees) dans le cadre de ce projet sont compileacutees dans le rapport de synthegravese (M B Barry et A Condeacute 1999)
Lrsquoobjectif de creacuteation du riz Nerica eacutetait de combiner le potentiel de rendement des parents Oriza Sativa (riz asiatique) avec lrsquoadaptation locale des Oriza Glaberima (riz africain)
Depuis les anneacutees 90 les statistiques ont montreacute une augmentation substantielle de la production du riz Cette augmentation est elle due agrave lrsquoaugmentation des superficies cultiveacutees ou agrave la productiviteacute des varieacuteteacutes ameacutelioreacutees (dont les NERICA) introduites D rsquoougrave la neacutecessiteacute drsquoeacutevaluer les impacts de ces varieacuteteacutes ameacutelioreacutees sur la filiegravere riz au niveau des quatre reacutegions naturelles et estimer leurs adoptions par les producteurs
Lrsquoobjectif de cette eacutetude est d rsquoestimer lrsquoadoption de la varieacuteteacute de riz Nerica et de deacuteterminer les facteurs deacuteterminants des choix des riziculteurst
Adoption du riz Nerica par les riziculteurs de Guineacutee 8
III MATERIELS ET METHODES
La meacutethode des quotas a eacuteteacute utiliseacutee pour le recueil des donneacutees Pour reacutepondre aux questions de lrsquoenquecircte les meacutethodes statistiques adopteacutees sont
Analyse factorielle des correspondances eacutetudier la liaison reacutegion et type de varieacuteteacute Modegravele log-lineacuteaire eacutevaluer lrsquoadoption des varieacuteteacutes de riz
- Modegravele logistique multinomial seacutelection des facteurs deacuteterminants
31 Echantillonnage par la meacutethode des quotas
Crsquoest une meacutethode empirique qui preacutesente lrsquoavantage drsquoun coucirct moindre qursquoun sondage probabiliste La meacutethode permet lrsquoextrapolation mais ne permet pas drsquoeacutevaluer la preacutecision des estimations
La population cible est lrsquoensemble des paysans riziculteurs Les paysans choisis dans lrsquoeacutechantillon sont ceux qui sont consideacutereacutes avoir au moins une fois pratiqueacute la riziculture Un total de 80 villages a eacuteteacute choisi dans les preacutefectures Ce choix est lieacute agrave lrsquointroduction du riz Nerica Dans chaque preacutefecture 6 villages en moyenne ont eacuteteacute choisis Ces villages ont eacuteteacute baptiseacutes village drsquointroduction Chaque village drsquointroduction 2 ou 3 villages voisins qui sont consideacutereacutes comme effectuant des eacutechanges avec le village drsquointroduction le plus proche Ces derniers (villages) sont alors baptiseacutes villages satellites parce que rattacheacutes agrave un village d rsquointroduction La figure 1 donne un aperccedilu sur la reacutepartition du riz Nerica en Guineacutee
En moyenne 120 riziculteurs ont eacuteteacute choisis par preacutefectures en raison de 30 paysans par village Ces deacutetails sont reacutesumeacutes dans les tableaux 3 et 4
Adoption du riz Nerica par les riziculteurs de Guineacutee 9
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee
Leacutegende
38 HB = 31 HB = 28 HB =
91 HB
28 HB
38 HB
28 HB
91 HB
1160 HB
28 HB
91 HB
38 HB
28 HB1138 HB
28 HB
91 HB
138 HB
28 HB
91 HB
131 HB
28 HB
131 HBJ
91 HB
Nerica 1 91 HB = Nerica 4Nerica 2 138 HB = Nerica 5Nerica 3 160 HB = Nerica 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Les quotas sont eacutetablis de faccedilon agrave ecirctre sensiblement proportionnels agrave la fraction de la population repreacutesenteacutee par chaque groupe Ils ont eacuteteacute estimeacutes agrave choix raisonneacute par lrsquoenquecircteur
Tableau 1 Plan de reacutepartition de lrsquoeacutechantillon
I
Reacutegion
Village BasseGuineacutee
HauteGuineacutee
GuineacuteeForestiegravere
MoyenneGuineacutee
village 1 nu raquo12 n13 nh
village 2 raquo21 n22 n23 n24
village i nu na niexcl3 nl4
village n nbdquoi raquon2 raquon3 nn4
n2 n2 n3 raquo4 n
rijj- effectif des paysans enquecircteacutes dans le village i de la reacutegion j n - taille de lrsquoeacutechantillon
Les effectifs ntJ sont deacutetermineacutes par les proceacutedeacutes suivants t
bull On doit deacuteterminer les ny de sorte que
n - est la taille de lrsquoeacutechantillon
bull On utilise alors la regravegle laquo proportionnelle raquo
nj = nN
N et Nyuml sont respectivement le nombre total de riziculteurs et le nombre de riziculteurs dans le village i
Ces valeurs n rsquoeacutetant pas connus par lrsquoenquecircteur le rapportN
a eacuteteacute estimeacute par un choix
raisonne
N bdquoSoit
Nu _
mdash f i j - Freacutequence de riziculteurs de la cellule (i j)
Le nombre de villages ne sont pas identiques dans les reacutegions Lrsquoeacutechantillon constitueacute figure dans les tableaux 3 et 4 Les paysans ont reacutepondu aux questionnaires dont lrsquoextrait est preacutesenteacute dans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 11
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
II CONTEXTE ET OBJECTIF DE L rsquoETUDE
En 1997 une eacutequipe de chercheurs et vulgarisateurs de lrsquoIRAG et du SNPRV a eacuteteacute mandateacutee pour se rendre agrave lrsquoADRAO afin de choisir les varieacuteteacutes de riz Nerica susceptibles de satisfaire les critegraveres reacutepondant aux besoins des paysans guineacuteens Ces varieacuteteacutes ont eacuteteacute eacutevalueacutees dans des uniteacutes drsquoexpeacuterimentation paysannes (UEP) en Guineacutee A la mecircme anneacutee cet objectif aboutit agrave un projet drsquoessai de seacutelection de varieacuteteacute participative (PVS) qui srsquoest eacutetaleacute sur une peacuteriode de trois ans (1997 - 1999) Les technologies transfeacutereacutees (varieacuteteacutes Nerica et autres varieacuteteacutes ameacutelioreacutees) dans le cadre de ce projet sont compileacutees dans le rapport de synthegravese (M B Barry et A Condeacute 1999)
Lrsquoobjectif de creacuteation du riz Nerica eacutetait de combiner le potentiel de rendement des parents Oriza Sativa (riz asiatique) avec lrsquoadaptation locale des Oriza Glaberima (riz africain)
Depuis les anneacutees 90 les statistiques ont montreacute une augmentation substantielle de la production du riz Cette augmentation est elle due agrave lrsquoaugmentation des superficies cultiveacutees ou agrave la productiviteacute des varieacuteteacutes ameacutelioreacutees (dont les NERICA) introduites D rsquoougrave la neacutecessiteacute drsquoeacutevaluer les impacts de ces varieacuteteacutes ameacutelioreacutees sur la filiegravere riz au niveau des quatre reacutegions naturelles et estimer leurs adoptions par les producteurs
Lrsquoobjectif de cette eacutetude est d rsquoestimer lrsquoadoption de la varieacuteteacute de riz Nerica et de deacuteterminer les facteurs deacuteterminants des choix des riziculteurst
Adoption du riz Nerica par les riziculteurs de Guineacutee 8
III MATERIELS ET METHODES
La meacutethode des quotas a eacuteteacute utiliseacutee pour le recueil des donneacutees Pour reacutepondre aux questions de lrsquoenquecircte les meacutethodes statistiques adopteacutees sont
Analyse factorielle des correspondances eacutetudier la liaison reacutegion et type de varieacuteteacute Modegravele log-lineacuteaire eacutevaluer lrsquoadoption des varieacuteteacutes de riz
- Modegravele logistique multinomial seacutelection des facteurs deacuteterminants
31 Echantillonnage par la meacutethode des quotas
Crsquoest une meacutethode empirique qui preacutesente lrsquoavantage drsquoun coucirct moindre qursquoun sondage probabiliste La meacutethode permet lrsquoextrapolation mais ne permet pas drsquoeacutevaluer la preacutecision des estimations
La population cible est lrsquoensemble des paysans riziculteurs Les paysans choisis dans lrsquoeacutechantillon sont ceux qui sont consideacutereacutes avoir au moins une fois pratiqueacute la riziculture Un total de 80 villages a eacuteteacute choisi dans les preacutefectures Ce choix est lieacute agrave lrsquointroduction du riz Nerica Dans chaque preacutefecture 6 villages en moyenne ont eacuteteacute choisis Ces villages ont eacuteteacute baptiseacutes village drsquointroduction Chaque village drsquointroduction 2 ou 3 villages voisins qui sont consideacutereacutes comme effectuant des eacutechanges avec le village drsquointroduction le plus proche Ces derniers (villages) sont alors baptiseacutes villages satellites parce que rattacheacutes agrave un village d rsquointroduction La figure 1 donne un aperccedilu sur la reacutepartition du riz Nerica en Guineacutee
En moyenne 120 riziculteurs ont eacuteteacute choisis par preacutefectures en raison de 30 paysans par village Ces deacutetails sont reacutesumeacutes dans les tableaux 3 et 4
Adoption du riz Nerica par les riziculteurs de Guineacutee 9
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee
Leacutegende
38 HB = 31 HB = 28 HB =
91 HB
28 HB
38 HB
28 HB
91 HB
1160 HB
28 HB
91 HB
38 HB
28 HB1138 HB
28 HB
91 HB
138 HB
28 HB
91 HB
131 HB
28 HB
131 HBJ
91 HB
Nerica 1 91 HB = Nerica 4Nerica 2 138 HB = Nerica 5Nerica 3 160 HB = Nerica 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Les quotas sont eacutetablis de faccedilon agrave ecirctre sensiblement proportionnels agrave la fraction de la population repreacutesenteacutee par chaque groupe Ils ont eacuteteacute estimeacutes agrave choix raisonneacute par lrsquoenquecircteur
Tableau 1 Plan de reacutepartition de lrsquoeacutechantillon
I
Reacutegion
Village BasseGuineacutee
HauteGuineacutee
GuineacuteeForestiegravere
MoyenneGuineacutee
village 1 nu raquo12 n13 nh
village 2 raquo21 n22 n23 n24
village i nu na niexcl3 nl4
village n nbdquoi raquon2 raquon3 nn4
n2 n2 n3 raquo4 n
rijj- effectif des paysans enquecircteacutes dans le village i de la reacutegion j n - taille de lrsquoeacutechantillon
Les effectifs ntJ sont deacutetermineacutes par les proceacutedeacutes suivants t
bull On doit deacuteterminer les ny de sorte que
n - est la taille de lrsquoeacutechantillon
bull On utilise alors la regravegle laquo proportionnelle raquo
nj = nN
N et Nyuml sont respectivement le nombre total de riziculteurs et le nombre de riziculteurs dans le village i
Ces valeurs n rsquoeacutetant pas connus par lrsquoenquecircteur le rapportN
a eacuteteacute estimeacute par un choix
raisonne
N bdquoSoit
Nu _
mdash f i j - Freacutequence de riziculteurs de la cellule (i j)
Le nombre de villages ne sont pas identiques dans les reacutegions Lrsquoeacutechantillon constitueacute figure dans les tableaux 3 et 4 Les paysans ont reacutepondu aux questionnaires dont lrsquoextrait est preacutesenteacute dans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 11
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
III MATERIELS ET METHODES
La meacutethode des quotas a eacuteteacute utiliseacutee pour le recueil des donneacutees Pour reacutepondre aux questions de lrsquoenquecircte les meacutethodes statistiques adopteacutees sont
Analyse factorielle des correspondances eacutetudier la liaison reacutegion et type de varieacuteteacute Modegravele log-lineacuteaire eacutevaluer lrsquoadoption des varieacuteteacutes de riz
- Modegravele logistique multinomial seacutelection des facteurs deacuteterminants
31 Echantillonnage par la meacutethode des quotas
Crsquoest une meacutethode empirique qui preacutesente lrsquoavantage drsquoun coucirct moindre qursquoun sondage probabiliste La meacutethode permet lrsquoextrapolation mais ne permet pas drsquoeacutevaluer la preacutecision des estimations
La population cible est lrsquoensemble des paysans riziculteurs Les paysans choisis dans lrsquoeacutechantillon sont ceux qui sont consideacutereacutes avoir au moins une fois pratiqueacute la riziculture Un total de 80 villages a eacuteteacute choisi dans les preacutefectures Ce choix est lieacute agrave lrsquointroduction du riz Nerica Dans chaque preacutefecture 6 villages en moyenne ont eacuteteacute choisis Ces villages ont eacuteteacute baptiseacutes village drsquointroduction Chaque village drsquointroduction 2 ou 3 villages voisins qui sont consideacutereacutes comme effectuant des eacutechanges avec le village drsquointroduction le plus proche Ces derniers (villages) sont alors baptiseacutes villages satellites parce que rattacheacutes agrave un village d rsquointroduction La figure 1 donne un aperccedilu sur la reacutepartition du riz Nerica en Guineacutee
En moyenne 120 riziculteurs ont eacuteteacute choisis par preacutefectures en raison de 30 paysans par village Ces deacutetails sont reacutesumeacutes dans les tableaux 3 et 4
Adoption du riz Nerica par les riziculteurs de Guineacutee 9
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee
Leacutegende
38 HB = 31 HB = 28 HB =
91 HB
28 HB
38 HB
28 HB
91 HB
1160 HB
28 HB
91 HB
38 HB
28 HB1138 HB
28 HB
91 HB
138 HB
28 HB
91 HB
131 HB
28 HB
131 HBJ
91 HB
Nerica 1 91 HB = Nerica 4Nerica 2 138 HB = Nerica 5Nerica 3 160 HB = Nerica 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Les quotas sont eacutetablis de faccedilon agrave ecirctre sensiblement proportionnels agrave la fraction de la population repreacutesenteacutee par chaque groupe Ils ont eacuteteacute estimeacutes agrave choix raisonneacute par lrsquoenquecircteur
Tableau 1 Plan de reacutepartition de lrsquoeacutechantillon
I
Reacutegion
Village BasseGuineacutee
HauteGuineacutee
GuineacuteeForestiegravere
MoyenneGuineacutee
village 1 nu raquo12 n13 nh
village 2 raquo21 n22 n23 n24
village i nu na niexcl3 nl4
village n nbdquoi raquon2 raquon3 nn4
n2 n2 n3 raquo4 n
rijj- effectif des paysans enquecircteacutes dans le village i de la reacutegion j n - taille de lrsquoeacutechantillon
Les effectifs ntJ sont deacutetermineacutes par les proceacutedeacutes suivants t
bull On doit deacuteterminer les ny de sorte que
n - est la taille de lrsquoeacutechantillon
bull On utilise alors la regravegle laquo proportionnelle raquo
nj = nN
N et Nyuml sont respectivement le nombre total de riziculteurs et le nombre de riziculteurs dans le village i
Ces valeurs n rsquoeacutetant pas connus par lrsquoenquecircteur le rapportN
a eacuteteacute estimeacute par un choix
raisonne
N bdquoSoit
Nu _
mdash f i j - Freacutequence de riziculteurs de la cellule (i j)
Le nombre de villages ne sont pas identiques dans les reacutegions Lrsquoeacutechantillon constitueacute figure dans les tableaux 3 et 4 Les paysans ont reacutepondu aux questionnaires dont lrsquoextrait est preacutesenteacute dans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 11
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Figure 1 Reacutepartition geacuteographique des varieacuteteacutes NERICA en Guineacutee
Leacutegende
38 HB = 31 HB = 28 HB =
91 HB
28 HB
38 HB
28 HB
91 HB
1160 HB
28 HB
91 HB
38 HB
28 HB1138 HB
28 HB
91 HB
138 HB
28 HB
91 HB
131 HB
28 HB
131 HBJ
91 HB
Nerica 1 91 HB = Nerica 4Nerica 2 138 HB = Nerica 5Nerica 3 160 HB = Nerica 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Les quotas sont eacutetablis de faccedilon agrave ecirctre sensiblement proportionnels agrave la fraction de la population repreacutesenteacutee par chaque groupe Ils ont eacuteteacute estimeacutes agrave choix raisonneacute par lrsquoenquecircteur
Tableau 1 Plan de reacutepartition de lrsquoeacutechantillon
I
Reacutegion
Village BasseGuineacutee
HauteGuineacutee
GuineacuteeForestiegravere
MoyenneGuineacutee
village 1 nu raquo12 n13 nh
village 2 raquo21 n22 n23 n24
village i nu na niexcl3 nl4
village n nbdquoi raquon2 raquon3 nn4
n2 n2 n3 raquo4 n
rijj- effectif des paysans enquecircteacutes dans le village i de la reacutegion j n - taille de lrsquoeacutechantillon
Les effectifs ntJ sont deacutetermineacutes par les proceacutedeacutes suivants t
bull On doit deacuteterminer les ny de sorte que
n - est la taille de lrsquoeacutechantillon
bull On utilise alors la regravegle laquo proportionnelle raquo
nj = nN
N et Nyuml sont respectivement le nombre total de riziculteurs et le nombre de riziculteurs dans le village i
Ces valeurs n rsquoeacutetant pas connus par lrsquoenquecircteur le rapportN
a eacuteteacute estimeacute par un choix
raisonne
N bdquoSoit
Nu _
mdash f i j - Freacutequence de riziculteurs de la cellule (i j)
Le nombre de villages ne sont pas identiques dans les reacutegions Lrsquoeacutechantillon constitueacute figure dans les tableaux 3 et 4 Les paysans ont reacutepondu aux questionnaires dont lrsquoextrait est preacutesenteacute dans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 11
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Les quotas sont eacutetablis de faccedilon agrave ecirctre sensiblement proportionnels agrave la fraction de la population repreacutesenteacutee par chaque groupe Ils ont eacuteteacute estimeacutes agrave choix raisonneacute par lrsquoenquecircteur
Tableau 1 Plan de reacutepartition de lrsquoeacutechantillon
I
Reacutegion
Village BasseGuineacutee
HauteGuineacutee
GuineacuteeForestiegravere
MoyenneGuineacutee
village 1 nu raquo12 n13 nh
village 2 raquo21 n22 n23 n24
village i nu na niexcl3 nl4
village n nbdquoi raquon2 raquon3 nn4
n2 n2 n3 raquo4 n
rijj- effectif des paysans enquecircteacutes dans le village i de la reacutegion j n - taille de lrsquoeacutechantillon
Les effectifs ntJ sont deacutetermineacutes par les proceacutedeacutes suivants t
bull On doit deacuteterminer les ny de sorte que
n - est la taille de lrsquoeacutechantillon
bull On utilise alors la regravegle laquo proportionnelle raquo
nj = nN
N et Nyuml sont respectivement le nombre total de riziculteurs et le nombre de riziculteurs dans le village i
Ces valeurs n rsquoeacutetant pas connus par lrsquoenquecircteur le rapportN
a eacuteteacute estimeacute par un choix
raisonne
N bdquoSoit
Nu _
mdash f i j - Freacutequence de riziculteurs de la cellule (i j)
Le nombre de villages ne sont pas identiques dans les reacutegions Lrsquoeacutechantillon constitueacute figure dans les tableaux 3 et 4 Les paysans ont reacutepondu aux questionnaires dont lrsquoextrait est preacutesenteacute dans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 11
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Les inconveacutenients de cette meacutethode sont
elle fournit des eacutechantillons biaiseacutes - on ne peut calculer lrsquoerreur drsquoeacutechantillonnage
Les conditions de travail des enquecircteurs creacuteent ce biais Quant au calcul de lrsquoerreur d rsquoeacutechantillonnage c rsquoest qursquoon ne connaicirct pas la probabiliteacute qursquoa un individu de la population drsquoappartenir agrave lrsquoeacutechantillon
Cependant si lrsquoon deacutecide drsquoavoir recours agrave la meacutethode des quotas (Deroo 1980) le plan de sondage devra donc ecirctre accompagneacute drsquoune seacuterie de consignes donneacutees agrave lrsquoenquecircteur visant agrave la fois agrave
reacuteduire le biais drsquoobservation - se rapprocher le plus possible des conditions de tirage agrave probabiliteacutes eacutegales
iraquo(
Adoption du riz Nerica par les riziculteurs de Guineacutee 1 2
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
32 Meacutethodes statistiques
321 Estimateurs de lrsquoeacutechantillon
Les individus de lrsquoeacutechantillon sont tireacutes avec des probabiliteacutes ineacutegales Px Piexcl On ne
cherche pas souvent agrave deacuteterminer ces estimateurs qui sont souvent consideacutereacutes par certains auteurs biaiseacutes Les estimateurs de lrsquoeacutechantillon peuvent ecirctre de la forme (P Duchesne 2003)
bull Moyenne
N -
y u quo tas
i=i j =i
bull Ecart type de la moyenne
( yuml uquo tas ) i I I(=1 y=l
2
E l
N j vraquo N jysij
Ougrave S lsj - n _ x Y j s y k y SlJ)
On ignore les valeurs N j et N donc ces formules ne peuvent pas ecirctre utiliseacutees On peut donc supposer que la variance drsquoun sondage par quota est une grandeur plutocirct faible lorsque la variable drsquointeacuterecirct est bien expliqueacutee par les critegraveres sur lesquels on a baseacute les quotas
La solution alternative est de consideacuterer les hypothegraveses de lrsquoeacutechantillonnage aleacuteatoire simple afin de deacuteterminer les estimateurs pouvant appreacutecier cet eacutechantillon Tous les choix des paysans ont les mecircmes probabiliteacutes eacutegales Dans ce cas y est une variable aleacuteatoire car sa
valeur deacutepend drsquoune expeacuterience aleacuteatoire tirage de lrsquoeacutechantillon Elle a donc une distribution
qui a une moyenne E ( y ) = I - et un eacutecart-type -JVar ( y ) = (7 -
En consideacuterant que la distribution est normale et que n gt 30 Les estimateurs de la population sont donc approximeacutes agrave partir de lrsquoeacutechantillon
bull Moyenne
y =n
Adoption du riz Nerica par les riziculteurs de Guineacutee 13
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Soit l rsquoeacutecart type de lrsquoeacutechantillon
=
X (y - yuml )2
n - 1ougrave n est la taille de lrsquoeacutechantillon
Ecart-type de la moyenne est
_ deg yOrsquo y - mdash estime par yjn
s ysy ~ r~
intervalle de confiance
y f ntilde= 1 - a
Dans ce cas n est grand (n gt 30) on peut remplace a par s et on a lrsquointervalle
y - Za 2 ^ f = rsquorsquo y + Za 2 ^ f=y jn y ln
ougrave zal2 est le quantile 1 - a 2 de la loi de Gauss
Adoption du riz Nerica par les riziculteurs de Guineacutee
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
322 Preacutesentation des donneacutees
Les donneacutees brutes sont preacutesentes dans lrsquoannexe 2 Mais les donneacutees doivent se preacutesenter sous un format regroupeacute Il srsquoagit de faire un tableau de contingence Ce tableau correspond alors aux effectifs observeacutes du croisement des modaliteacutes de reacutegion et varieacuteteacute
Tableau 2 Preacutesentation des donneacutees pour deux variables
l cre variable
2erne variabletotalB b 2 B Bj
Ai nu ni 2 nij nu niexclAacute2 raquo21 n22 n2j n2j n2
Ai nu ni2 ny nu ni
Ai nu nu njj niexclj ni
total ni n2 nj nj n
Les notations suivantes sont utiliseacutees
nu Nombre d rsquoobservations de la colonne j dans la ligne i
nj = I X1
Nombre total d rsquoobservations de la colonne j
ngt = I XJ
Nombre total d rsquoobservations de la ligne i
n =i j
Nombre total drsquoobservations dans le tableau
Il faut noter que le tableau de contingence multidimensionnelle (plus de 2 variables) se preacutesente aussi ainsi que le tableau ci-dessus
Les analyses statistiques doivent ecirctre appliqueacutees agrave ce type de tableau qui est deacutejagrave un reacutesultat statistique Car drsquoapregraves Lemelin (2004) un tableau de contingence est une faccedilon de preacutesenter les donneacutees drsquoeacutenumeacuteration (de comptage) d rsquoindividus classeacutes en groupes Crsquoest donc dire qursquoun tableau de contingence est deacutejagrave le reacutesultat d rsquoun traitement de donneacutees puisque les individus (observations) ont ducirc ecirctre preacutealablement classeacutes et compteacutes
Adoption du riz Nerica par les riziculteurs de Guineacutee 15
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Tableau 3 Tableau de tri croiseacute entre varieacuteteacute et reacutegion
Reacutegion Varieacuteteacute Nombreindividus
Basse Guineacutee Traditionnelle 267Nerica 8Adrao non nerica 11Varieacuteteacute Irag 22Autre ameacutelioreacutee 8
Haute Guineacutee Traditionnelle 86Nerica 19Adrao non nerica 1Varieacuteteacute Irag 3Autre ameacutelioreacutee 9
Guineacutee Forestiegravere Traditionnelle 229Nerica 25Adrao non nerica 3Varieacuteteacute Irag 5Autre ameacutelioreacutee 4
Moyenne Guineacutee Traditionnelle 62Nerica 7Adrao non nerica 3Varieacuteteacute Irag 3Autre ameacutelioreacutee 2
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
On srsquoaperccediloit vite de la freacutequence eacuteleveacutee des riziculteurs pratiquant la varieacuteteacute traditionnelle Ceci ne permet pas de conclure agrave ce niveau
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Tableau 4 1 Tableau de tri croiseacute entre varieacuteteacute et facteurs deacuteterminants (extrait)
Facteurs deacuteterminantsReacutegion Varieacuteteacute Productiviteacute Reacutesistance
seacutecheresseReacutesistancemauvaiseherbe
Grainevide
Goucirct Capaciteacutegonflement
Nombreindividus
Basse 1 1 1 1 2 3 4 2Guineacutee 1 1 1 1 4 1 1 2
4 0 4 3 4 3 3 14 0 0 0 0 0 0 2
Haute 1 1 1 3 5 1 2 1Guineacutee 1 1 1 4 4 2 2 1
2 4 2 1 1 2 2 12 4 2 1 1 3 1 1
Guineacutee 1 1 2 2 1 2 2 1Forestiegravere 1 1 2 2 1 2 2 1
i2 5 4 4 3 4 1 12 0 0 0 0 0 0 1
Moyenne 1 1 1 1 3 1 1 1Guineacutee
11 1 1 2 4 1 2 1
2 3 3 3 4 1 3 12 3 3 4 4 2 3 1
Source Base de donneacutees enquecircteacute Impact Nerica en Guineacutee
Compte tenu du volume du tableau seulement les 2 premiers et derniers enregistrements de chaque reacutegion sont preacutesenteacutes dans ce tableau On se rend compte des types de donneacutees agrave analyser pour la recherche des facteurs deacuteterminants
Leacutegende des codes des facteurs deacuteterminants2 0 aucune reacuteponse1 Tregraves bon ou eacuteleveacute2 bon ou eacuteleveacute3 moyen4 faible5 tregraves faible
Ce tableau comporte 531 lignes donc 531 associations de modaliteacutesJans lrsquoannexe 1
Adoption du riz Nerica par les riziculteurs de Guineacutee 7
2 Les codes sont deacutetailleacutes dans lrsquoannexe 1
iY
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Pour deacutecrire la relation entre les deux variables qualitatives (reacutegion et varieacuteteacutes) lAnalyse Factorielle des Correspondances (AFC) a eacuteteacute utiliseacutee LrsquoAFC preacutesente graphiquement les modaliteacutes de deux variables nominales permettant une perception et une analyse visuelle de leurs interactions La base de cette cette repreacutesentation est assez semblable agrave lAnalyse en Composante Principale (ACP) et fait appel agrave la deacutefinition de facteurs permettant une repreacutesentation plane aussi fidegravele que possible de la reacutepartition des modaliteacutes La deacutemarche de construction drsquoune AFC est deacuteveloppeacutee par A Baccini P Besse (1999)
Par ailleurs cette meacutethode ne permet pas d rsquoappreacutecier ces variables sur les taux de reacuteponses des paysans Drsquoougrave le recours agrave une autre meacutethode statistique notamment la modeacutelisation
323 Analyse Factorielle des Correspondances
324 Modegravele log-lineacuteaire
La freacutequence de reacuteponses agrave modeacuteliser est une variable issue du comptage des diffeacuterentes modaliteacutes des deux variables drsquoeacutetude (reacutegion et varieacuteteacute) Donc il srsquoagit de la modeacutelisation des donneacutees de comptage
Drsquoougrave lrsquoutilisation des modegraveles log-lineacuteaires cas particuliers de modegraveles lineacuteaires geacuteneacuteraliseacutes P Me Cullagh JA Nelder (1989) permettent de modeacuteliser les donneacutees de deacutenombrementILa reacutegression de poisson a eacuteteacute alors mise en œuvre pour modeacuteliser le taux de reacuteponses des paysans Il faut rappeler que lrsquoeacutegaliteacute entre la moyenne et la variance d rsquoune loi de Poisson exprimeacutee par les expressions ci-dessus caracteacuterise la famille des lois de Poisson
Les familles alternatives de lois de probabiliteacutes se fondent sur la position du rapport var iance------------ relativement a 1 moyenne
Lorsque ce rapport est significativement supeacuterieur agrave 1 la situation est qualifieacutee de sur dispersionSi par contre ce rapport est infeacuterieur agrave 1 on est en situation de sous dispersion
On essaie drsquointroduire les modegraveles ulteacuterieurs en exprimant cette hypothegravese sous deux formes suivantes qui sont eacutequivalentes
Forme multiplicative mtJ =ablcJd IJ
Forme log-lineacuteaire LogmtJ - I + a + f i + 0J
ju paramegravetre de normalisation lieacute agrave lrsquoeffectif moyen de la table
a i effet de la variable ligne lieacute agrave lrsquoeffectif moyen de la ligne i
( 3 j effet de la variable colonne lieacute agrave lrsquoeffectif moyen de la colonne j
6iexclj interactionde la variable ligne avec la variable colonne
Adoption du riz Nerica par les riziculteurs de Guineacutee 18
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
On considegravere que tous les effectifs suivent une loi de Poisson La meacutethode drsquoestimation usuelle est le maximum de vraisemblance Les estimateurs possegravedent la proprieacuteteacute suivante
M (m 0)= M (n j)
Ougrave M est lrsquoopeacuterateur de projection sur n rsquoimporte quel sous-espace engendreacute par les colonnes de la matrice X du modegravele poseacute sur log(m) et m est le vecteur des miexcl Consideacuterons le modegravele suivant
log (mij) = ^ + a + j3 J + 0ij
Les estimateurs du maximum de vraisemblance mi veacuterifient les 2 relations suivantes
2 X = 2 gt yuml = raquo +y1=1 y =1
I gt = 2 X =raquolt+7=1J j= J
n i+ n + iLa solution unique du systegraveme preacuteceacutedent est mu = ------ mdash
n
a) Estimation des paramegravetres du modegravele log-lineacuteaire
Adoption du riz Nerica par les riziculteurs de Guineacutee 19
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
b) Validation du modegravele log-lineacuteaire
Lrsquoajustement du modegravele log linaire peut ecirctre fait agrave travers un test d rsquoindeacutependance La distance globale du tableau de contingence estimeacute au tableau de contingence observeacute est eacutevalueacutee agrave
partir de la statistique de Khi-carreacute de Pearson 2 ou de la statistique de Khi-carreacute de
rapport de vraisemblance G 2
Les hypothegraveses agrave tester sont
Ho Le modegravele deacutecrit bien le lien entre les variables Hi Le modegravele ne deacutecrit pas bien le lien entre les variables
e G = 2 X laquo bdquo lnm
7 ] lsquoJ
f aplusmn
J
Sous Ho le modegravele estimeacute sur lrsquoeacutechantillon deacutecrit correctement le pheacutenomegravene 2 et G 2 sont
distribueacutes asymptotiquement selon une loi de Khi-deux On rejettera alors le modegravele srsquoils sont trop grands Notons que la statistique du Khi-carreacute du rapport de vraisemblance est souvent nommeacutee deacuteviance
Le modegravele srsquoajuste correctement aux donneacutees si
t
X 2 ou G 2 lt x l a(y)
Adoption du riz Nerica par les riziculteurs de Guineacutee 20
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
d) Proceacutedure de reacutegression poissonienne par la fonction GLM
Lrsquoestimation du modegravele des donneacutees de comptage se reacutealise agrave l rsquoaide de la fonction GLM (Generalized Linear Model) Pour estimer le nombre de choix des paysans (ou le taux drsquoadoption) en fonction de ces deux facteurs d rsquoeacutetudes on pense au modegravele log lineacuteaire car crsquoest cette statistique qui permet de modeacuteliser les donneacutees de comptage par la deacutetermination drsquoun seul paramegravetre
On utilise alors la reacutegression poissonienne qui est un modegravele lineacuteaire geacuteneacuteraliseacute avec un lien logarithmique et une distribution de Poisson des observations
Apregraves avoir choisi la fonction de lien et la loi parameacutetrique estimeacute les paramegravetres eacutevalueacute la preacutecision de ces paramegravetres on se pose souvent la question leacutegitime est-ce que le modegravele choisi est bon
bull Est-ce que la qualiteacute drsquoajustement globale est satisfaisante le modegravele deacutecrit-il bien les valeurs observeacutees
Ce type de question fait lrsquoobjet des tests drsquoajustement ou drsquoadeacutequation
Lrsquoajustement peut ecirctre aussi regardeacute observation par observation (individus aberrants) par des meacutethodes graphiques (analyse des reacutesidus) ou analytiques
bull Est-ce que les hypothegraveses sont veacuterifieacutees Les meacutethodes sont essentiellement graphiques (analyse des reacutesidus)
bull Lrsquoinfluence sur lrsquoestimation des points peut ecirctre aussi envisageacutee (distance de Cook robustesse)
bull Est-ce que certains paramegravetres sont vraiment utiles ne peut-on pas simplifier
Test de nulliteacute de paramegravetres
Test de comparaisons de modegraveles (modegraveles simples contre complexes)
- Critegravere de choix de modegraveles (AIC BIC)
Validation Apprentissage et qualiteacute de preacutevision
Il est impeacuteratif d rsquoanalyser au moins succinctement les reacutesidus Si lrsquoon doit choisir entre de nombreux modegraveles il n rsquoest souvent pas possible de conduire des analyses pour tous les modegraveles mais le modegravele seacutelectionneacute au final devra ecirctre toujours analyseacute
Adoption du riz Nerica par les riziculteurs de Guineacutee 2 1
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
325 Modegravele logistique multinomial
Les agriculteurs ont reacutepondu agrave certaines questions qui expliquent leurs preacutefeacuterences sur les choix des varieacuteteacutes Les variables recueillies sont toutes qualitatives agrave plus de deux modaliteacutes Le modegravele logistique multinomial a eacuteteacute mise en œuvre pour expliquer les effets de ces facteurs sur le type de varieacuteteacute
La probabiliteacute pour que lrsquoindividu i choisisse effectivement la modaliteacute moest
a v n X Pn0Pr y = m0 = n5-E ----------
j r exp xgtPmm= 0
En posant 3m = (3m - 30 il est possible drsquoeacutecrire
Pr Y = 0 =M
1 + exp x
Pr F = m 0 =
m= 1
expM
1 + exp xipour mo gt 0
m = 0
a) Estimation des paramegravetres du modegravele logistique
La proceacutedure d rsquoeacutelimination pas agrave pas a eacuteteacute employeacutee pour la seacutelection du meilleur modegravele On estime les paramegravetres du modegravele agrave travers la technique du maximum de la log vraisemblance de lrsquoeacutechantillon de lrsquoestimation
N M N M ( M
LogL = pound pound 8 m X iPm Z I OcircimLdegS 1 + Z eXP= 1 m = 0 1 = 1 m =1 i = l
Ougrave S im = 1 si i choisit la modaliteacute m et S im = 0 sinon
La regravegle de deacutecision pour lrsquoinfluence drsquoune variable est
On rejette H 0 30 = = 3n =0
au risque a de se tromper si
W aldgtxlbdquon-1)
Adoption du riz Nerica par les riziculteurs de Guineacutee
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
b) Validation du modegravele logistique multinomial
Il existe plusieurs meacutethodes de validation du modegravele logistique Test de khi-deux de Pearson test de Hoshmer-Lemeshov3 test de Wald et validation graphique
miexclmdash repreacutesente le nombre drsquoobservations dans le groupe i
Les hypothegraveses agrave tester sont
Ho Le modegravele proposeacute deacutecrit bien le lien entre les variables Hi Le modegravele proposeacute ne deacutecrit pas bien le lien entre les variables
Ces hypothegraveses peuvent ecirctre testeacutees par la deacuteviance qui srsquoobtient par la vraisemblance
maximale du modegravele noteacutee L (j3 ) et la vraisemblance du modegravele satureacute L ( s ) On la note
par
Elle srsquoeacutecrit autrement
Drsquoautre part comme la formule de la deacuteviance ne tient pas compte simultaneacutement 71 i et
y iexcl on utilise la statistique de khi-deux de Pearson comme suit
Les reacutesidus de Pearson sont deacutefinis comme suit
ey - m iiuml iuml i
3 Ce test est expliqueacute dans le livre de Agreti page 113-114
Adoption du riz Nerica par les riziculteurs de Guineacutee 23
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
IV RESULTATS ET DISCUSSIONS
Il existe quatre (4) bases de donneacutees (selon les 4 reacutegions) de mecircme structure La premiegravere tacircche a eacuteteacute de regrouper les donneacutees dans une seule base de donneacutees pour pouvoir tester l rsquoeffet reacutegion dans chaque eacutetape d rsquoanalyses statistiques
Le logiciel statistique R (annexe 4) a eacuteteacute utiliseacute pour eacutevaluer l rsquoadoption des varieacuteteacutes de riz dans les reacutegions Le calcul des estimateurs (annexe 3) et la recherche des facteurs deacuteterminants (annexe 9) sont reacutealiseacutes agrave l rsquoaide du logiciel SAS
41 Gestion des bases de donneacutees
Les enquecirctes ont eacuteteacute effectueacutees sur la base de questionnaires reacutealiseacutes en cinq modules
Module 1 identification du patrimoine varieacutetal de chaque village - Module 2 eacutevaluation communautaire de chaque varieacuteteacute
Module 3 les infrastructures du village Module 4 les donneacutees socio-eacuteconomiques des paysans Module 5 connaissance utilisation et gestion des varieacuteteacutes
La base de donneacutees relationnelle geacuteneacutereacutee est conccedilue dans Microsoft Access et contient les informations issues de ces modules Il existait quatre (4) bases de donneacutees selon les quatre (4) reacutegions naturelles de la Guineacutee Alors la premiegravere tacircche eacutetait de les reacuteunir dans une seule base de donneacutees Pour rendre cette base de donneacutees exploitable il a fallu des seacuteances de corrections des erreurs de saisie Les variables drsquoeacutetudes sont extraites dans cette base de donneacutees et sont exporteacutees dans les logiciels drsquoanalyses statistiques R et SAS
Il nrsquoexiste pas une codification harmoniseacutee au niveau des varieacuteteacutes de riz Pour affecter le code aux varieacuteteacutes dans la table Access concerneacutee un programme SQL (ci-dessous) a eacuteteacute mis en œuvre pour la mise agrave jour automatique
UPDATE evalvar SET evalvartypvar = ldquo Nerica
Ce type de requecircte a permis de lier les diffeacuterentes donneacutees afin de rendre les donneacutees exploitables La mecircme deacutemarche a eacuteteacute utiliseacutee pour la mise agrave jour des champs sur les reacutegions
UPDATE type_variety_BG SET type variety BGregion = Basse Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 24
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
42 Echantillon de lrsquoeacutetude
Un eacutechantillon de 1515 paysans a eacuteteacute constitueacute et consideacutereacute comme repreacutesentatif de la population des riziculteurs guineacuteens La reacutepartition des riziculteurs a eacuteteacute effectueacutee selon un quota raisonnable
Tableau 5 Reacutepartition de lrsquoeacutechantillon dans les localiteacutes (villages par preacutefecture)
Zones agro eacutecologiques
PreacutefecturesNombre de
villages choisis
Nombre de villages
drsquointroduction
Nombre de villages
satellites4Bokeacute 8 2 6Boffa 8 2 6
Basse Guineacutee Dubreacuteka 4 1 3Teacutelimeacuteleacute 6 2 4
Sous total 4 26 7 19Haute Guineacutee Faranah 6 2 4
Dabola 6 2 4Keacuterouaneacute 6 2 4
Sous total 3 18 6 12
Guineacutee forestiegravere Beyla 6 2 4Nzeacutereacutekoreacute 6 2 4Macenta 6 2 4
Sous total 3 18 6 12
Moyenne Guineacutee Labeacute 9 2 7Mamou 9 2 7
Sous total 2 18 4 14
Source ADRAOIRAGSNPRV 2004 Guineacutee Evaluation Impact
4 Villages proches des villages drsquointroduction du riz Nerica
Adoption du riz Nerica par les riziculteurs de Guineacutee 25
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Tableau 6 Reacutepartition des paysans enquecircteacutes par preacutefecture
Reacutegions PreacutefecturesNombre de
paysansPourcentage
correspondant
Basse Guineacutee
BokeacuteBoffaDubreacutekaTeacutelimeacuteleacute
150151 75 120
30301524
Sous total 496 3273Faranah 120 33
Haute Guineacutee Dabola 120 33iCeacuterouaneacute 120 33
Sous total 360 2376Beyla 120 29
Guineacutee forestiegravere Sizeacutereacutekoreacute 150 36Vlacenta 149 36
Sous total 419 2765Labeacute 120 50
Moyenne Guineacutee Vlamou 120 50
Sous total 240 1584Total 1515 100Source ADRAO RAGSNPRV 2004 Guineacutee Evaluation Impact
La reacutepartition des paysans dans les villages d rsquoeacutetudes est deacutetailleacutee en annexe 2 et en figure ci- dessous
Figure 2 Reacutepartition des paysans dans les villages drsquoeacutetudes
12 -
10
I 8ltXgt
S 6 H
4 -
2 -
imdash --mdash r Tmdash --mdash r n imdash --mdash r n n ntmdash --mdash r
1 2 3 4 5 6 7 8 9 10 11 12 15 16 17
Effectifs paysans
Cette figure montre que la distribution de lrsquoeacutechantillon est bimodale le premier mode est 5 et lrsquoautre est 10 Par ailleurs les reacutesultats en annexe 3 montrent que la moyenne et lrsquoeacutecart-type
Adoption du riz Nerica par les riziculteurs de Guineacutee 26
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
de cet eacutechantillon (60 individus) sont respectivement 678 et 372 Donc lrsquoeacutecart-type de la moyenne est 047
Lrsquoeacutecart-type de lrsquoeacutechantillon est eacuteleveacute du fait de la preacutesence de certaines valeurs aberrantes En reacutealiteacute il ya 1 riziculteur qui a accepteacute drsquoecirctre enquecircteacute dans 2 villages et 2 aussi dans 3 villages Les tests montrent que lrsquoeacutechantillon est une distribution normale (t Student lt 0001)
Adoption du riz Nerica par les riziculteurs de Guineacutee 27
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
43 Evaluation de lrsquoadoption des varieacuteteacutes de riz
Il y a eu des eacutetudes anteacuterieures sur les adoptions des varieacuteteacutes de riz en Guineacutee telles lrsquoenquecircte sur les superficies occupeacutees par les riziculteurs (Diawara 2005) Un extrait de ces reacutesultats se trouve dans le tableau ci-dessous
Tableau 7 Superficies cultiveacutees des varieacuteteacutes au cours des anneacutees 2002 et 2003
Anneacutees ^ mdash
^ Indicateurs
2002 2003
Population totale de lrsquoeacutechantillon 519 519
Total superficies (ha) 358143 373006
Superficie occupeacutee par lrsquoensemble des varieacuteteacutes (ha) 398856 509334
Superficie des varieacuteteacutes traditionnelles (ha) 324237 406551
Superficie des varieacuteteacutes ameacutelioreacutees (ha) 74619 102784
Superficie des varieacuteteacutes traditionnelles de coteau (ha) 219510 266371
Superficie des varieacuteteacutes traditionnelles de plaine (ha) 98907 134118
Superficie des varieacuteteacutes traditionnelles de mangrove 5820 6062
Superficie des varieacuteteacutes de lrsquoIRAG (ha) 32259 37779
Superficie des varieacuteteacutes de lrsquoIRAG de coteau (ha) 8152 11477
Superficie des varieacuteteacutes de lrsquoIRAG de plaine (ha) 21952 23495
Superficie des varieacuteteacutes de lrsquoIRAG de mangrove (ha) 2156 2806
Superficie des varieacuteteacutes de lrsquoADRAO (ha) 42360 65005
Superficie des varieacuteteacutes de lrsquoADRAO de mangrove 14984 17087
Varieacuteteacutes NERICA (ha) 27376 47918
Varieacuteteacutes intraspeacutecifiques de lrsquoADRAO (ha) 0 0
Varieacuteteacutes de plaine de lrsquoADRAO (ha) 0 0
Source IRAGSNPRVADRAO 2004 Guineacutee Evaluation de lrsquoimpact des varieacuteteacutes Nerica
Cette enquecircte montre que sur 519 riziculteurs utilisant une superficie totale de 358143 ha seulement une superficie de 27376 ha eacutetait utiliseacutee pour la varieacuteteacute Nerica soit un taux de 686 contre 9053 de superficie occupeacutee par la varieacuteteacute traditionnelle Ce qui explique la preacutefeacuterence des paysans aux varieacuteteacutes traditionnelles Il y a eu une augmentation sensible des superficies occupeacutees par la varieacuteteacute de riz Nerica de lrsquoanneacutee 2003 agrave 2004 de 686 agrave 1285 Ceci explique une adoption non neacutegligeable de la varieacuteteacute de riz Nerica car le pourcentage drsquooccupation de superficie a presque doubleacute en 2003
Adoption du riz Nerica par les riziculteurs de Guineacutee 28
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
Notons que lrsquoadoption est eacutevalueacutee dans cette eacutetude agrave travers les jugements des riziculteurs sur les varieacuteteacutes de riz Alors la freacutequence drsquoadoption d rsquoune varieacuteteacute est le rapport du nombre de choix des paysans sur ce type de varieacuteteacute le nombre de choix total de lrsquoenquecircte Car chaque type de varieacuteteacute est compareacute aux autres types de varieacuteteacutes Bien sucircr que les paysans apportent ses raisons pour leurs choix
431 Tableaux de contingence
On essaie de comprendre si lrsquoadoption des varieacuteteacutes deacutepend des reacutegions naturelles Le test de Khi-deux sur le tableau de contingence ci-dessous a eacuteteacute reacutealiseacute
Tableau 8 Tableau des donneacutees observeacutees sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 267 8 11 22 8 316Haute Guineacutee 86 19 1 3 9 118Guineacutee forestiegravere 229 25 3 5 4 266Moyenne Guineacutee 62 7 3 3 2 77Total 644 59 18 33 23 777
Tableau 9 Tableau des donneacutees theacuteoriques sur reacutegion et varieacuteteacute
ReacutegionVarieacuteteacute
Traditionnelle Nerica Adraonon
nerica
AmeacutelioreacuteIrag
Autre riz ameacutelioreacute Total
Basse Guineacutee 26191 2399 732 1342 935 316
Haute Guineacutee 9780 896 273 501 349 118
Guineacutee forestiegravere 22047 2020 616 1130 787 266
Moyenne Guineacutee 6382 585 178 327 228 77
Total 644 59 18 33 23 777
On peut eacutevaluer la distance entre les donneacutees observeacutees et celles estimeacutees par la formule de deacuteviance G2 eacutetablie dans les meacutethodes statistiques
G 2 = 2 267 ln
G2- 18241 pour 12 ddl
267
26191+ 81n
82399
+ 11ln732
+ 22 lnf 22 A
1342 228
Adoption du riz Nerica par les riziculteurs de Guineacutee 29
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61
La valeur de la table de Khi-carreacute pour 12 ddl agrave 5 est 2103 Donc on conclut qursquoil ya deacutependance entre reacutegion et varieacuteteacute Pour mieux aussi deacutecrire cette liaison on peut utiliser lrsquoanalyse factorielle des correspondances
432 Analyse factorielle des correspondances
Pour mieux deacutecrire les degreacutes d rsquoassociation entre ces deux variables (reacutegion et varieacuteteacute) on fait recours agrave lrsquoanalyse multivarieacutee notamment lrsquoanalyse factorielle des correspondances (afc) Les reacutesultats de cette analyse (annexe 5) montrent que cette description peut ecirctre faite par deux axes soit agrave 975
Figure 3 Graphique des valeurs propres pour lrsquoafc
laquo
(
Lrsquointerpreacutetation peut ecirctre faite axe par axe Pour les modaliteacutes de reacutegion la composante 1 oppose la Moyenne Guineacutee aux autres reacutegions Evidemment la riziculture n rsquoest pas assez freacutequente en Moyenne Guineacutee Quant aux modaliteacutes de varieacuteteacutes lrsquoaxe 1 oppose les 2 varieacuteteacutes
bull (traditionnelle et Nerica) aux 3 autres
Les 2 repreacutesentations simultaneacutees mettent en eacutevidence le groupe (Basse Guineacutee Guineacutee forestiegravere et la varieacuteteacute traditionnelle) dont les eacuteleacutements sont correacuteleacutes Il est agrave remarquer que la varieacuteteacute Nerica est plus correacuteleacutee avec la reacutegion Haute Guineacutee Alors la varieacuteteacute Nerica est mieux adopteacutee dans la reacutegion Haute Guineacutee
Adoption du riz Nerica par les riziculteurs de Guineacutee 30
On aimerait avoir une eacutequation pouvant deacuteterminer approximativement la freacutequence drsquoadoption des diffeacuterentes varieacuteteacutes de riz dans les reacutegions Soit la figure ci-dessous pour avoir un aperccedilu sur les diffeacuterents choix des paysans
433 Ajustement de lrsquoadoption par le modegravele log-lineacuteaire
Figure 4 Nombre de choix des paysans par reacutegion et varieacuteteacutes
Basse Gtraditionnelnerica ----o
irag O
autres o
ad_nonnerica 0
G forestiegraveretraditionnel o
nerica o
irag bull -O -----autres Oad_nonnerica o
Haute Gtraditionnel Onerica Oirag O
autres O---
ad_nonnerica o
Moyenne Gtraditionnel onerica oirag O
autres o
ad nonnerica bullO -
o-
koCMo-
O
CMO-
LOO-
O
_ O
ko
- o
e ffectif reacuteponses riziculteurs
Sur ce graphique on comprend la preacutefeacuterence des paysans vis-agrave-vis de la varieacuteteacute traditionnelle Les varieacuteteacutes adrao non nerica et autres varieacuteteacutes ameacutelioreacutees ne sont pas aussi tant choisies comme les varieacuteteacutes nerica et irag Ceci ne permettant pas de conclure avec preacutecision on essaie un modegravele statistique pour deacutecrire ce pheacutenomegravene
A
On suppose que les donneacutees sont distribueacutees selon la loi de Poisson La variable reacuteponse est issue des comptages des modaliteacutes des deux variables (varieacuteteacute et reacutegion) On ajuste le modegravele par la reacutegression poissonienne
Lrsquoeacutequation agrave tester est
Log(nbind) = typvar + region + typvar x region + reacutesidu
La fonction glm de R dont lrsquoutilisation est expliciteacutee par (M Lesnoff 2005) a eacuteteacute utiliseacutee pour la reacutealisation de ce modegravele Les variables varieacuteteacute et reacutegion ainsi que leur interaction ont eacuteteacute consideacutereacutees dans le modegravele La proceacutedure de recherche de modegravele est drsquoeacuteliminer les facteurs dont la significativiteacute est supeacuterieure au seuil de 005
Adoption du riz Nerica par les riziculteurs de Guineacutee 31
Les modegraveles satureacute et emboicircteacute ont eacuteteacute testeacutes agrave travers la reacutegression poissonienne dont les deacutetails sont en annexe 7 Les diffeacuterents modegraveles sont compareacutes par le critegravere AIC (Akaike Information Criterion) et sont preacutesenteacutes dans le tableau suivant
Tableau 10 Comparaison des modegraveles log-lineacuteaires
Modegravele ddlreacutesiduel
deacuteviancereacutesiduel
AIC
Modegravele 1 (satureacute)typvar + reacutegion + typvar x reacutegion
0 52180e-14 12507
Modegravele 2 typvar + region
12 50475 15154
Modegravele 3 typvar
15 2651 36017
Modegravele 4 reacutegion
16 14996 15927
Le meilleur modegravele est celui qui a un critegravere AIC tregraves faible Donc le modegravele 1 est agrave retenir Les coefficients de ce modegravele sont deacutetermineacutes par la fonction summary() du logiciel R (annexe 7) et ceux qui sont significatifs sont dans le tableau ci-dessous Ceci confirme le test de la deacutependance entre varieacuteteacutes et reacutegions (paragraphe 431) Car ce test est identique agrave celui de Khi-carreacute de la deacuteviance
Tableau 11 Valeurs de coefficients significatifs du modegravele log-lineacuteaire satureacute
Facteurs Coefficients Pr(gt|z|)Intercept 24 182e-15 varieacuteteacute_traditionnelle 319 lt2e-16varieacuteteacutenerica -032 049varieacuteteacute_irag 069 006varieacuteteacute_autres -032 049Guineacutee_forestiegravere -13 0046Haute_Guineacutee -24 0021Moyenne_Guineacutee -13 0046Guineacutee_forestiegravere nerica 244 0001Guineacutee_forestiegravere traditionnel 115 082-Haute_Guineacutee autre 252 0029Haute Guineacutee nerica 326 0004
Signif codes 0 0001 001 005 V 01 1
Les facteurs de reacutefeacuterence sont pour les varieacuteteacutes Adrao non nerica et pour les reacutegions Basse Guineacutee La varieacuteteacute traditionnelle est la mieux appreacutecieacutee On remarque que les effets drsquointeractions varieacuteteacute et reacutegion sont rares
Adoption du riz Nerica par les riziculteurs de Guineacutee 32
Le modegravele retenu est satureacute donc pas de reacutesidus On se reacutefegravere agrave la significativiteacute des tests de normaliteacute (zvalue) des coefficients
On dira que les reacutesultats montrent que les riziculteurs guineacuteens n rsquoadoptent pas vite les varieacuteteacutes ameacutelioreacutees qursquoon leurs propose Ils ont du mal agrave se deacutebarrasser de leurs anciennes varieacuteteacutes Selon les analyses de (Diawara 2005) la faiblesse d rsquoadoption des nouvelles cultures par les paysans guineacuteens srsquoexpliqueraient par le fait que la majoriteacute d rsquoentre eux sont analphabegravetes Une autre raison avanceacutee est que les varieacuteteacutes de riz traditionnelles srsquoadapteraient mieux agrave leurs calendriers culturaux plus que les varieacuteteacutes de riz ameacutelioreacutees qui ont un cycle court Les paysans font une diversiteacute culturale donc les moments de reacutecoltes doivent ecirctre espaceacutes Donc la plupart d rsquoentre eux ont laisseacute le riz Nerica qui a un cycle court et dont la reacutecolte coiumlncide aux temps de travail du paysan guineacuteen
- Validation du modegravele log-lineacuteaire
i
laquo
I
Adoption du riz Nerica par les riziculteurs de Guineacutee 33
44 Recherche des facteurs deacuteterminants
Les facteurs deacuteterminants expliquent les raisons pour lesquelles les riziculteurs choisissent leurs varieacuteteacutes de riz Pour cela ils ont donneacute leurs sentiments agrave travers des cotations sur facteurs suivants
La productiviteacuteLa reacutesistance aux mauvaises herbes Le goucirctLe nombre de grains vides
- La capaciteacute de gonflement
La variable agrave expliquer est le type de varieacuteteacute (typvar) qui comporte cinq modaliteacutes Il ya cinq variables explicatives qui sont toutes des donneacutees cateacutegorielles de plus de deux modaliteacutes
Par ailleurs la variable reacuteponse eacutetant qualitative et polytomique on pense agrave un modegravele logistique multinomial Dans le logiciel SAS le modegravele peut ecirctre mise en œuvre par les proceacutedures CATMOD ou LOGISTIC Dans ce cas la proceacutedure LOGISTIC suivie des meacutethodes de seacutelection automatique (Forward Backward et Stepwise) a eacuteteacute utiliseacutee Cette deacutemarche et les reacutesultats sont preacutesenteacutes dans lrsquoannexe 9 Le dernier modegravele retient les facteurs reacutegion goucirct et leurs interactions Les tests de maximum de vraisemblance de Score et de Wald sont tous significatifs au seuil de 0001 Soit lrsquoanalyse des effets du Type 3 qui montre lrsquoeffet des covariables de lrsquoeacutetude dans le tableau ci-dessous
Tableau 12 Significativiteacute des co-variables du modegravele des facteurs deacuteterminants
Analyse des effets Type 3
Effet DF Khi 2
de Wald
Pr gt Khi 2
gout 10 326077 00003
Validation du modegravele logistique
Les statistiques drsquoadeacutequation de deacuteviance et de Pearson sur ce modegravele sont reacutealiseacutees agrave lrsquoannexe 9
Drsquoautre part le nombre d rsquoobservations deacutepassant eacutetant eacuteleacuteveacute (gt 400) le test de Hosmer- Lemeshev (annexe 9) a eacuteteacute aussi mis en eacutevidence pour le test d rsquoadeacutequation du modegravele Les tests de Maximum de vraisemblance (00001) de Wald (00003) et de Score (0001) sont tous significatifs au seuil de 01 On conclut la validiteacute du modegravele
De ces statistiques on peut confirmer le modegravele qui met en eacutevidence la significativiteacute du facteur goucirct Alors on peut conclure que les riziculteurs ont tendance agrave choisir les types de varieacuteteacutes selon leurs goucircts Donc le goucirct est le facteur deacuteterminant pour le choix des varieacuteteacutes de riz
Adoption du riz Nerica par les riziculteurs de Guineacutee 34
On peut reacutealiser tri croiseacute entre le goucirct aux varieacuteteacutes de riz afin de connaicirctre les freacutequences de chaque reacuteponse
The FREQ Procedure
Table of typvar by gout
typvar(typvar) gout(gout)
Frequency
Expected
Percent
Row Pet
Col Pet 1 2 3 4 5 7 Total
1 151
17128
1396
1841
6681
499
47745
4612
6085
7921
103
10913
952
1256
71 53
32
31072
296
390
7805
1
30314
009
012
2500
34
28041
314
415
91 89
820
7579
2 52
43237
481
2512
2301
113
12053
1044
5459
1794
32
27549
296
1546
2222
6
78438
055
290
1463
3
07652
028
1 45
7500
1
70786
009
048
270
207
1913
4 23
11488
213
41 82
1018
18
32024
1 66
3273
286
9
73198
083
1636
625
3
20841
028
545
732
0
02033
000
000
000
2
18808
018
364
541
55
508
Total 226 630 144 41 4 37 1082
2089 5823 1331 379 037 342 10000
La freacutequence sur la cotation sur le goucirct la plus eacuteleveacutee est 2 (bon goucirct) Cette modaliteacute peut permettre d rsquoavoir une ideacutee sur la freacutequence drsquoutilisation des trois varieacuteteacutes de riz Plus de 50 des riziculteurs ont reacutepondu que la varieacuteteacute traditionnelle a un bon goucirct
Adoption du riz Nerica par les riziculteurs de Guineacutee 35
V Conclusion et recommandations
Lrsquoadoption des nouvelles varieacuteteacutes de riz par les riziculteurs guineacuteens ne se passe pas rapidement degraves lrsquointroduction Les analyses statistiques montrent que par rapport aux varieacuteteacutes de riz traditionnelles (adopteacutees agrave 83) la freacutequence drsquoadoption de la varieacuteteacute de riz Nerica est encore faible Il faut noter que le Nerica aussi est la plus appreacutecieacutee parmi les varieacuteteacutes ameacutelioreacutees introduites en Guineacutee Une importante progression sur lrsquoadoption du riz Nerica a eacuteteacute remarqueacutee D rsquoaucuns pensent que les paysans guineacuteens qui sont pour la plupart des cas analphabegravetes (Diawara 2005) srsquoinitient difficilement aux nouvelles meacutethodes culturales et pour drsquoautres les cultures de cycles courts ne srsquoadaptent pas aux calendriers culturaux des agriculteurs qui diversifient leurs cultures
Les donneacutees preacutesenteacutees sont des donneacutees qualitatives Les freacutequences de choix des varieacuteteacutes de riz ont eacuteteacute calculeacutees agrave lrsquoaide des donneacutees de regroupement issues des facteurs type de varieacuteteacutes et les reacutegions A cet endroit la reacutegression poissonienne a eacuteteacute employeacutee afin de retenir les variables explicatives significatives sur les freacutequences d rsquoadoption
Pour la seacutelection des facteurs deacuteterminants des choix des riziculteurs le modegravele logistique multinomial a eacuteteacute mis en œuvre Les analyses statistiques montrent le goucirct est le facteur le plus important du choix de la varieacuteteacute de riz Il est important de noter que les varieacuteteacutes Nerica et ameacutelioreacutee Irag sont beaucoup plus choisies par leur bon goucirct par rapport agrave la varieacuteteacute traditionnelle Crsquoest que drsquoautres raisons non explicites dans cette enquecircte pourraient expliquer la faible adoption des varieacuteteacutes ameacutelioreacutees comme le riz Nerica
Les deux modegraveles statistiques ont eacuteteacute testeacutes sur lrsquoeacutechantillon de cette eacutetude Ils semblent correctement ajuster les donneacutees de cette enquecircte
Il est envisageable drsquoeffectuer une validation externe de ces modegraveles car cela n rsquoa pas eacuteteacute fait par manque de donneacutees Pour reacuteduire les biais des enquecirctes en milieu paysan il serait important de faire recours aux meacutethodes drsquoeacutechantillonnage aleacuteatoire avec une base de
sondage
Adoption du riz Nerica par les riziculteurs de Guineacutee 36
ANNEXES
Adoption du r a Norteo par les M u lte m de Guineacutee
Annexe 1 Extrait de la fiche drsquoenquecircte
TYPE DE VARIETE1 varieacuteteacute traditionnelle2 varieacuteteacute ameacutelioreacutee adrao nerica3 varieacuteteacute ameacutelioreacutee adrao non nerica4 varieacuteteacute ameacutelioreacutee irag5 varieacuteteacute ameacutelioreacutee autre
PRODUCTION1 Tregraves eacuteleveacute2 eacuteleveacute3 moyen4 faible5 trop faible
RESISTANCE A LA SECHERESSE1 tregraves reacutesistant2 reacutesistant3 moyennement reacutesistant4 faiblement reacutesistant
5 non reacutesistant
GOUT1 tregraves bon goucirct2 bon goucirct3 sans goucirct4 mauvais goucirct5 tregraves mauvais goucirct
GRAINS VIDES1 nombre trop eacuteleveacute de grains vides2 nombre eacuteleveacute de grains vides3 nombre moyen de grains vides4 peu de grains vides5 pas de grains vides
RESISTANCE AUX MAUVAISES HERBES
1 reacutesiste tregraves bien2 reacutesiste bien3 reacutesiste moyennement4 reacutesiste peu5 reacutesiste tregraves peu
CAPACITE A GONFLER1 gonfle eacutenormeacutement2 gonfleacute3 gonfle un peu4 gonfle peu5 ne gonfle pas du tout
Adoption du riz Nerica par les riziculteurs de Guineacutee 38
Annexe 2 Reacutepartition des paysans dans les villagesI
VillageNombrepaysans
Bafouro 10Biriwol 3Boullegraveregrave 4Boussedou 10Camarala-VSII 5Dantilia 10Dembaya 12DHEPPERE 1DIALLOLA 4DRAMELA CENTRE 9Faregravema 2Foumbadou 4Guegraveguegraveregrave 8Hambdalaye 7Kafati 2Kassambeya 3Keremeda 16KIGNEKOLA 5Kirinkinet 4Kollet Centre 5KONINDOU 6KONINDOU CENTRE 5Koussi 8Lafou 6Ley Rounde 5MADINA 2Mamadidou 6Mamaridou 10Mangol 5Mateninmoridou 5MISSIDE DIOUNGOL 3
VillageNombrepaysans
MISSIDE SEGHEN 6Miss ira 1Mokegrave Foton 5MONYOUMANDOUTINDIKAN 8Naniteredou 5Nasser 6NATIBALY 4NDOUNSSY 3Nienh 15Oueye 11Pampara 9Pampore 10Parawol 11Powai 12Seredoul 9Seredou2 4Sokodou 5SOLOMANA 9Soumanbou 5SUE 6Tamalan 3TAMBO 12Tandata 5Telaya 10Toumania 9Toumbeacuteta 6VASEDOU 6Watala 10Yatia 17
proc Univariate data=echantvar nbpaysansrun
The UNIVARIATE Procedure
Variable nbpaysans (nbpaysans)
Moments
Annexe 3 Programme et reacutesultats de calcul des estimateurs de lrsquoeacutechantilloni
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
60
678333333
36177138
077229808
3533
533323901
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
60
407
130878531
031559251
772183333
046704484
Location
Basic Statistical Measures
Variability
Mean 6783333 Std Deviation 361771
Median 6000000 Variance 1308785
Mode 5000000 Range 1600000
Interquartile Range 550000
Test
Students t
Sign
Signed Rank
Tests for Location Mu0=0
-Statistic- p Value-
1452394
30
915
Pr gt ItI
Pr gt= IM I
Pr gt= ISI
lt0001lt0001lt0001
Tests for Normality
Test --Statistic--- bullp Value
Shapiro-Wilk w 0938065 Pr lt W 00044
Kolmogorov-Smirnov D 0185712 Pr gt D lt00100
Cramer-von Mises W-Sq 0244007 Pr gt W-Sq lt00050
Anderson-Darling A-Sq 129865 Pr gt A-Sq lt00050
Quantiles (Definition 5)
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
170
170
135
115
95
60 40
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 4 Importation et comptage des occurrences varieacuteteacutes sur reacutegion
Facteurs reacutegion et varieacuteteacute
Importation des donneacutees vers le logiciel R
db lt- Criz_guineeEnqlegeremdb
packages base et RODBC activeacutes
channelbd lt-odbcConnectAccess(db) enqlegere
type_varietylt-sqlQuery(channel =channelbdquery = SELECT typvarregionFrom typejvarietes)
ty p v a re ff lt-sqlQuery(channel =channelbdquery = SELECT typvarregioncount() as nbind From type_varietes Group by typvar region )
type_variety$typvar lt- asfactor(type_variety$typvar) type_variety$region lt- asfactor(type_variety$region)
typvar_eff$typvar lt- as factor(typvar_eff$ typvar) typvar_eff$region lt- asfactor(typvar_eff$region)
tableau de contingence
calculi lt- table(type_variety$region type_variety$typvardnn=c(reacutegionVarieacuteteacute de riz))
gt calculiVarieacuteteacute de riz
reacutegion ad nonnerica autres irag nerica traditionnelBasse G 11 8 22 8 267G forestiegravere 3 4 5 25 229Haute G 1 9 3 19 86Moyenne G 3 2 3 7 62
Adoption du riz Nerica par les riziculteurs de Guineacutee 41
Annexe 5 Reacutesultats AFC sur les donneacutees reacutegions et varieacuteteacutes ( I1
gt afc(calcull)
- AFC de calculi -
Inertie totale du triplet = 006593262 nombre de modaliteacutes lignes = 4 nombre de modaliteacutes colonnes = 5 effectif du tableau -1 1 1Chi-deux dindeacutependance -5122964 avec 12 d d l p = 09999992
histogramme des valeurs propres (o ou n) 1 oRead 1 item
val pro inert cumul1 005003 7588 75882 001426 2164 97523 000164 248 100004 000000 000 100005 000000 000 10000
aides a linterpreacutetation pour les modaliteacutes lignes (on) 1 oRead 1 itemContributions absolues des 4 modaliteacutes pour les 3 premiegraveres composantes
CTR1 CTR2 CTR3 Basse G 4366 1139 428 G forestiegravere 553 5703 321 Haute G 5077 3152 252 Moyenne G 4 6 8999
Contributions relative des 4 modaliteacutes pour les 3 premiegraveres composantes COSI COS2 COS3
Basse G 9280 690 30 G forestiegravere 2525 7427 48 Haute G 8 4 8 4 1502 14 Moyenne G 128 59 9813
aides a linterpreacutetation pour les modaliteacutes colonnes (on) 1 oRead 1 itemContributions absolues des 5 modaliteacutes pour les 3 premiers axes
CTR1 CTR2 CTR3 ad nonnerica 956 659 7516 autres 1096 5834 730irag 1781 2598 172nerica 5947 0 1284traditionnel 221 908 298
Adoption du riz Nerica par les riziculteurs de Guineacutee 42
i
Y
Contributions relative des 5 modaliteacutes pour les 3 premiers axesCOSI COS2 COS3
ad_nonnerica 6878 1353 1768autres 3937 5977 86irag 7047 2931 22nerica 9930 0 70traditionnel 4516 5285 199
graphique pour les composantes (lignes) (on) 1
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 6 Graphiques des composantes et des axes de lrsquoafc
a) Modaliteacutes reacutegion (cl et c3)
c 1 005(7588 )
b) Modaliteacutes varieacuteteacutes (axes 1 et 2)
3 0
0016
( 2
48
)
c) repreacutesentation simultaneacutee sur les axes 1 et 3
M oyen
erica
ad_nonnlt
le G
H aute G C ^ o r e aacute i l iacute ^ on ne lB a s s g jacirc
au tres
ira g
ldquo i---------- 1---------- 1---------- ---------- 1---------- r-06 -04 -02 00 02 04
1 005(7588)
A dop tion d u riz N erica p a r les riz icu lteu rs de Guineacutee
d) repreacutesentation simultaneacutee des axes 2 et 1
2 00143 ( 2164 )
45
Annexe 7 Proceacutedure de construction du modegravele log-lineacuteaire sur le nombre deriziculteurs
l egravere eacutetapemodele 1 lt- glm(formula = nbind ~ typvar + region + regiontypvar family = poisson data
typvar_eff) anova(modelel test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46typvarregion 12 5048 0 5218e-14 1152e-06
gt 2egraveme eacutetapemodele2 lt- glm(formula = nbind ~ typvar + region family = poisson data = typvar_eff) anova(modele2 test-Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|)NULL 19 171421typvar 4 144911 15 26510 1548e-312region 3 21462 12 5048 2916e-46gt
3egraveme eacutetape
modele3 lt- glm(formula = nbind ~ typvar family = poisson data = typvar_eff) anova(modele3 test=Chisq)
Analysis o f Deviance Table
Model poisson link log
Response nbind
Terms added sequentially (first to last)
Df Deviance Resid Df Resid Dev P(gt|Chi|) NULL 19 17142typvar 4 14491 15 2651 1548e-312gt
4egraveme eacutetapemodele4 lt- glm(formula = nbind ~ region family = poisson data = typvareff) anova(modele4 test=Chisq)
Analysis of Deviance Table
Model poisson link log
Response nbind
Df Deviance Resid D f Resid Dev P(gt|Chi|) NULL 19 171421region 3 21462 16 149959 2916e-46gt
Comparaison des modegraveles
1egravere eacutetapeAIC(modelel modele2 modele3 modele4)
df AICmodele 1 20 1250668modele2 8 1515422modele3 5 3601660modele4 4 15926554
2egraveme eacutetapeanova(modelelmodele2modele3modele4 test-Chisq) Analysis of Deviance Table
Model 1 nbind ~ typvar + region + region typvar Model 2 nbind ~ typvar + region Model 3 nbind ~ typvar Model 4 nbind ~ region
Resid Df Resid Dev Df Deviance P(gt|Chi|)1 0 5218e-142 12 5048 -12 -5048 1152e-063 15 26510 -3 -21462 2916e-464 16 149959 -1 -123449 1949e-270
Adoption du riz Nerica par les riziculteurs de Guineacutee
Deacutetermination des coefficients Summary(modele 1 )
Callglm(formula = nbind ~ typvar + region + region typvar family = poisson data = typvar eff)
Deviance Residuals[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CoefficientsEstimate Std Error z value Pr(gt|z|)
(Intercept) 239790 030151 7953 182e-15 typvarautres -031845 046466 -0685 049312typvarirag 069315 036927 1877 006051 typvarnerica -031845 046466 -0685 049312typvartraditionnel 318935 030766 10367 lt 2e-16 regionG forestiegravere -129928 065134 -1995 004607 regionHaute G -239790 104446 -2296 002169 regionMoyenne G -129928 065134 -1995 004607 typvarautresregionG forestiegravere 060614 089400 0678 049777typvariragregionG forestiegravere -018232 081835 -0223 082370typvarnericaregionG forestiegravere 243872 076762 3177 000149 typvartraditionnel regionG forestiegravere 114576 065754 1742 008142 typvarautresregionHaute G 251568 115196 2184 002898 typvariragregionHaute G 040547 121231 0334 073803typvamericaregionHaute G 326289 112629 2897 000377 typvartraditionnelregionHaute G 126499 105179 1203 022909typvarautresregionMoyenne G -008701 102433 -0085 093231typvariragregionMoyenne G -069315 089612 -0773 043923typvamericaregionMoyenne G 116575 083193 1401 016113typvartraditionnelregionMoyenne G -016083 066642 -0241 080929
Signif codes 0 rsquo 0001 001 005 01 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance 17142e+03 on 19 degrees o f freedom Residual deviance 52180e-14 on 0 degrees of freedom AIC 12507
Number of Fisher Scoring iterations 3
Adoption du riz Nerica par les riziculteurs de Guineacutee 48
Annexe 8 Tableaux des freacutequences de reacuteponses sur les facteurs deacuteterminants
Tableau 13 Synthegravese des freacutequences de reacuteponses sur les facteurs drsquoeacutetudes
facteursCotations (meilleur vers le pire)
0 1 2 3 4 5 9 Total
productiviteacute 4 29 51 13 1 0 1 100
gout 3 21 58 13 4 0 0 100reacutesist seacutecheresse 6 10 46 20 12 4 2 100reacutesist mauvaise herbe 4 10 33 28 17 9 1 100quantiteacute graine vide 4 1 5 16 55 18 1 100capaciteacute de gonflement 4 31 49 9 4 2 0 100
Tableau 14 freacutequences de reacuteponses sur le goucirct
gout gout
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 18 58 16 5 0 0 100
2 0 29 48 19 4 0 0 100
4 4 42 33 16 5 0 0 100
Total 1000 3 21 55 16 5 0 0 100
2000 1 4 39 46 0 7 4 0 100
2 0 28 56 11 0 6 0 100
Total 2 000 2 33 52 6 3 5 0 100
3000 1 6 14 76 4 1 0 0 100
2 3 6 65 18 6 3 0 100
Total 3000 5 13 74 6 1 0 0 100
4000 1 0 52 33 14 0 0 0 100
2 0 29 71 0 0 0 0 100
Total 4000 0 40 53 7 0 0 0 100
Total 3 21 58 13 4 0 0 100
Tableau 15 freacutequences de reacuteponses sur la reacutesistance seacutecheresse
resech resech
reacutegion typvar 0 1 2 3 4 5 9 Total
1000 1 8 10 42 19 15 2 4 1002 5 14 51 23 3 2 2 1004 4 9 40 18 24 4 2 100
Total1000 7 10 43 19 14 2 3 100
2 0 0 0 1 4 14 14 39 11 18 0 1002 0 14 33 19 8 25 0 100
Total2000 2 14 25 28 9 22 0 100
3000 1 6 1 66 20 3 4 0 1002 3 6 62 15 6 9 0 100
Total3000 5 2 65 19 4 5 0 100
4000 1 0 29 48 14 10 0 0 1002 0 46 17 25 8 4 0 100
Total4000 0 38 31 20 9 2 0 100
T o t a l 6 10 46 20 12 4 2 100i
Tableau 16 freacutequences de reacuteponses sur la reacutesistance mauvaises herbes
resmherb resmherb
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 11 34 27 19 4 1 1002 0 14 28 38 16 4 0 1004 4 22 29 24 16 4 2 100
Total1000 3 12 33 2 9 18 4 1 100
20 0 0 1 4 4 7 29 50 7 0 1002 0 19 33 25 8 14 0 100
Total2000 2 13 22 27 27 11 0 100
3000 1 6 2 37 22 8 26 0 1002 3 3 24 24 21 26 0 100
Total3000 5 2 35 22 10 26 0 100
4000 1 0 19 29 38 14 0 0 1002 0 13 42 33 13 0 0 100
Total4000 0 16 36 36 13 0 0 100
T o t a l 4 10 33 28 17 9 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee 50
Tableau 17 freacutequences de reacuteponses sur la productiviteacute
product Product
region typvar 0 1 2 3 4 5 9 Total
1000 1 4 32 48 13 1 0 1 100
2 0 35 56 7 2 0 0 100
4 7 33 40 15 2 0 4 100Total1000 4 33 49 12 1 0 1 100
2000 1 4 21 25 43 7 0 0 100
2 0 42 36 17 6 0 0 100Total2000 2 33 31 28 6 0 0 100
3000 1 6 4 77 13 0 1 0 100
2 3 12 62 9 9 6 0 100Total3000 5 5 74 13 1 1 0 100
4000 1 0 76 19 5 0 0 0 100
2 0 79 8 13 0 0 0 100Total4000 0 78 13 9 0 0 0 100
Total 4 29 51 13 1 0 1 100
Tableau 18 freacutequences de reacuteponses sur la quantiteacute de graine vide
grvide Grvide
region typvar 0 1 2 3 4 5 9 Total
1000 1 5 2 5 17 54 16 1 100
2 0 2 7 20 56 13 2 100
4 4 2 7 11 60 16 0 100Total1000 4 2 6 17 55 16 1 100
2000 1 4 0 7 18 54 18 0 100
2 0 8 11 14 47 19 0 100Total2000 2 5 9 16 50 19 0 100
3000 1 6 0 3 10 59 22 0 100
2 3 3 6 18 35 35 0 100Total3000
5 0 3 11 55 24 0 100
4000 1 0 0 0 14 71 14 0 100
2 0 0 0 17 63 21 0 100Total4000 0 0 0 16 67 18 0 100
Total 4 1 5 16 55 18 1 100
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tableau 19 freacutequences de reacuteponses sur la capaciteacute de gonflement
capgonf Capgonf
reacutegion typvar 0 1 2 3 4 5 Total
1000 1 5 32 45 10 6 2 100
2 2 36 46 11 4 2 100
4 7 35 42 5 5 5 100Total1000 5 33 45 10 5 2 100
2000 1 4 21 64 4 7 0 100
2 0 19 64 6 6 6 100Total2000 2 20 54 5 5 3 100
3000 1 6 24 69 1 1 0 100
2 3 29 44 15 3 6 100Total3000 5 25 55 3 1 1 100
4000 1 0 57 24 19 0 0 100
2 0 42 29 29 0 0 100Total4000 0 49 27 24 0 0 100
Total 4 31 49 9 4 2 100i
Adoption du riz Nerica par les riziculteurs de Guineacutee
Annexe 9 Programme SAS pour la seacutelection de modegravele sur les facteurs deacuteterminants
y1 j
ESTIMATEURS DE LECHANTILLON j j
PROC IMPORT OUT= Evalvar_riz Fihier creacuteeacute dans SAS DATATABLE= Evalvar_cDBMS=ACCESS REPLACE
DATABASE=11C riz_guineeenqlegeremdb SCANMEMO=YES USEDATE=NOSCANTIME=YES
RUNproc print data=Evalvar_riz run
DISTRIBUTION ECHANTILLON y
i
proc univariate data=evalvar_riz normal var nbind_fact run
i
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Moments
531
1082
390801265
272847809
20712467
008578883
N
Mean
Std Deviation
Skewness
Uncorrected SS
Coeff Variation
531
203766478
197686941
442344092
4276
970164191
Sum Weights
Sum Observations
Variance
Kurtosis
Corrected SS
Std Error Mean
j
J
j
Location
Basic Statistical Measures
Variability
Mean 2037665 Std Deviation 197687
Median 1000000 Variance 390801
Mode 1000000 Range 1900000
Interquartile Range 100000
Tests for Location Mu0=0
Test -Statistic- p Value
Students t t 237521 Pr gt It I lt0001
Sign M 2655 Pr gt= IM I lt0001
Signed Rank S 70623 Pr gt= IS I lt0001
Adoption du riz Nerica par les riziculteurs de Guineacutee
Tests fo r Normality
Test -Statistic- - - -p Value-
Shapiro-Wilk
Kolmogorov-Smirnov
Cramer-von Mises
Anderson-Darling
W 0528755
D 0319277
W-Sq 1371073
A-Sq 7186733
Pr lt W lt00001
Pr gt D lt00100
Pr gt W-Sq lt00050
Pr gt A-Sq lt00050
Quantile Estimate
100 Max
99
95
90
75 Q3
50 Median
25 Q1
2010
63
211
The UNIVARIATE Procedure
Variable nbind_fact (nbind_fact)
Quantiles (Definition 5)
Quantile Estimate
105
1
0 Min
Extreme Observations
--- Lowest-
Value
--- Highest--
Obs Value Obs
530 11 58
529 14 126
528 16 316
527 17 305
526 20 254
Adoption du riz Nerica par les riziculteurs de Guineacutee
j kkk-kkk-k-kiekkk-kkk-kk-k-k-k-^-kk-k-kk-kick-k-k-k-k-kk-k-k-kk-kkk-kkkk-kk-kkk-kk j
MODELE VARIETE = F (FACT DETERMINANTS)
iexcl SELECTION FORWARD j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=10001) product(ref=1) resmherb(ref=1) resech(ref=11)gout(ref= 11) grvide(ref=11) capgonf(ref=1) param=ref model typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion capgonfregionlink=glogit Selection = Forward hierarchy=none run
j - k - k - k - k - k - k - k i f - k - k - k - k i t - k i e - k - k - k - k i t l e l z i r i e - k - k - k - k - k - k - k - k - k - k - k - k - k i r - k - k - k - k - k - k - k - k i f - k - k - k - k j
MODELE VARIETE = F (FACT DETERMINANTS) SELECTION BACKWARD
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1 ) region(ref=1000) product(ref=1 1) resmherb(ref=1 )
resech(ref=1) gout(ref=1) grvide(ref= 11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregionlink=glogit Selection = Backward hierarchy=none irun
MODELE VARIETE = F (FACT DETERMINANTS)
SELECTION STEPWISE
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) region(ref=1000) product(ref=11) resmherb(ref=1)
resech(ref=1)gout(ref=1) grvide(ref=11) capgonf(ref=1)param=refmodel typvar = region product resmherb resech gout grvide capgonf
productregion resmherbregion resechregion goutregion grvideregion
capgonfregion link=glogit Selection = Stepwise hierarchy=nonerun
Adoption du riz Nerica par les riziculteurs de Guineacutee 5 5
i
gout est significatif
bull bull
STATISTIQUE DE DEVIANCE ET DE PEARSON itproc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=1) param=ref model typvar = gout link=glogit scale=p aggregate run
The LOGISTIC Procedure
Model Information
Data Set WORKEVALVAR_RIZ
Response Variable typvar typvar
Number of Response Levels 3
Model generalized logit
Optimization Technique Fishers scoring
Number of Observations Read 1082
Number of Observations Used 1082
Response Profile
Ordered Total
Value typvar Frequency
1 4 55
2 2 207
3 1 820
Logits modeled use typvar=1 as the reference category
Class Level Information
Class Value Design Variables
gout 1 0 0 0 0 0
2 1 0 0 0 0
3 0 1 0 0 0
4 0 0 1 0 0
5 0 0 0 1 0
7 0 0 0 0 1
Model Convergence Status
Convergence criterion (GC0NV= 1E-8) satisfied
Deviance and Pearson Goodness -of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance
Pearson
0000000000
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
The LOGISTIC Procedure
Model Fit Statistics
Criterion
AIC
SC
-2 Log L
Intercept
Only
1471118
1481092
1467118
Intercept
and
Covariates
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test Chi-Square DF Pr gt ChiSq
Likelihood Ratio
Score
Wald
394847
401943
326077
10
10
10
lt0001lt0001
00003
Effect
gout
Type 3 Analysis of Effects
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Analysis of Maximum Likelihood Estimates
Parameter typvar DF Estimate
Standard
Error
Wald
Chi-Square Pr gt ChiSq
Intercept 4 1 -18818 02238 706799 lt0001
Intercept 2 1 -10660 01608 439570 lt0001
gout 2 4 1 -14404 03281 192726 lt0001
gout 2 2 1 -04192 01916 47869 00287
gout 3 4 1 -05557 04134 18068 01789
gout 3 2 1 -01030 02585 01587 06904
gout 4 4 1 -04853 06440 05680 04510
gout 4 2 1 -06079 04730 16517 01987
gout 5 4 1 -103229 4469 00005 09816
gout 5 2 1 21646 1 1658 34474 00634
gout 7 4 1 -09514 07613 15620 02114
gout 7 2 1 -24603 10273 57362 00166
Adoption du riz Nerica par les riziculteurs de Guineacutee
j k-kkkk-kk-k-kifJc-kkk-kk-k-kkkkkk-kkkkk-k-kkjccedil-kkk-kk-kkk-k-kk-k-k yy TEST HOSMER-LEMESHOW j i t k - k k k i c - k i r - k - k k i c - k i c k k k k i t i c - k - k - k - k - k i c k - k k i c i t i t k k k i c k k - k - k k i c - k k k j
proc logistic data=Evalvar_riz DESCENDING freq nbind_factclass typvar(ref=1) gout(ref=11) param=ref model typvar = gout link=glogit lackfitoutput out=fichier p=pichapeau reschi=res_pears resdev=res_dev run
RESULTATS DU TEST HOSMER-LEMESHOW
The LOGISTIC Procedure
Model Fit Statistics
Criterion
Intercept
Only
Intercept
and
Covariates
AIC
SC
-2 Log L
1471 118
1481092
1467118
1451634
1511473
1427634
Testing Global Null Hypothesis BETA=0
Test
Likelihood Ratio
Score
Wald
Chi-Square
394847
401943
326077
DF
10
10
10
Pr gt ChiSq
lt0001
lt0001
00003
Type 3 Analysis of Effects
Effect
gout
Wald
DF Chi-Square Pr gt ChiSq
10 326077 00003
Model Convergence Status
Convergence criterion (GC0NV=1E-8) satisfied
Deviance and Pearson Goodness-of-Fit Statistics
Criterion Value DF ValueDF Pr gt ChiSq
Deviance 00000 0
Pearson 00000 0
Number of unique profiles 6
Adoption du riz Nerica par les riziculteurs de Guineacutee
Testing Global Null Hypothesis BETA=0Test Chi-Square DF Pr gtLikelihood Ratio 394847 10Score 401943 10
Wald 326077 10 (
The LOGISTIC Procedure
Odds Ratio Estimates
Effect typvarPoint
Estimate95 Wald
Confidence Limits
gout 2 vs 1 4 0 237 0124 0451gout 2 vs 1 2 0658 0 452 0957gout 3 vs 1 4 0574 0255 1290gout 3 vs 1 2 0902 0544 1497gout 4 vs 1 4 0 615 0 174 2 175gout 4 vs 1 2 0 544 0 215 1376gout 5 vs 1 4 lt0 001 lt0 001 gt999999gout 5 vs 1 2 8712 0887 85598gout 7 vs 1 4 0 386 0 087 1717gout 7 vs 1 2 0085 0 011 0640
^ Tri croiseacute varieacuteteacute x goucirct
proc freq data=Evalvar_riztables typvargout CHISQ EXPECTED MEASURES run
ChiSq000100010003
Adoption du riz Nerica par les riziculteurs de Guineacutee
BIBLIOGRAPHIE
1 Diagne 2005 Diffusion et Adoption des Nericas en Guineacutee et autres varieacuteteacutes ameacutelioreacutees en Guineacutee ADRAO Benin
2 M B Barry et A Condeacute 1999 Rapport de synthegravese sur le programme pilote de transfert de technologie rizicole en Guineacutee IRAG
3 Diawara 2005 Adoption Nerica en Guineacutee Rapport de mission IRAG
4 R Porters 1966 Les noms des riz en Guineacutee Rapport de mission IRAG
5 W A Stoop S Beavogui P Morant 2003 Une recherche participative en milieu reacuteel IRAG Conakry
6 Esprit ADRAO mars 2003 Adresse site lt httpYvvvvvwardaorgnewsletterno201Fji20appelerIUmgt
7 P Letourmy 2006 Recueil planifieacute des donneacutees plans drsquoexpeacuterience et d rsquoeacutechantillonnage Cirad
8 M Deroo et A M Dussaix 1980 Pratique et analyse des enquecirctes par sondage Presses universitaires de Paris
t
9 F G Carpentier 2005 Introduction aux analyses multidimensionnelles
10 Baccini P Besse juillet 1999 Statistique Descriptive Multidimensionnelle Laboratoire de Probabiliteacutes et Statistique de lrsquoUniversiteacute Paul Sabatier de Toulouse III
11 M Raffestin 2005 Quelques conseils pour la pratique de lrsquoAFC un exercice
12 D Chessel A B Dufour J Thioulouse 2002 Analyse des correspondances simples Biomeacutetrie et Biologie Evolutive
13 P Duchesse 2003 Echantillonnage Sondages empiriques Universiteacute de MontreacutealhttpvwwdmsumontreaLca7EduchesnePositions acadE9miques
14 McCullagh P and J A Nelder (1997) Generalized linear models London UK Chapman amp Hall
15 A Lemelin 2004 Lrsquoanalyse des tableaux de contingence
16 L A Vallet 2004 Modeacutelisation log-lineacuteaire et log-multiplicative des tableaux de contingence Eleacutements de cours CREST
17 M Lesnoff 2005 Introduction to R Generalized linear model Cirad
18 R Lancelot amp M Lesnoff 2005 Seacutelection de modegraveles avec lrsquoAIC et critegraveres drsquoinformation deacuteriveacutes
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee gn
19 R Lorrilliere 2005 Recolonisation du Heacuteron cendreacute Ardea cinerean en France subseacutequente agrave sa mise en protection Modeacutelisation dans un automate cellulaire Universiteacute de Rennes
20 L A Vallet 2005 Utiliser le modegravele log-lineacuteaire pour mettre au jour la structure du lien entre les deux variables drsquoun tableau de contingence un exemple drsquoapplication agrave la mobiliteacute sociale
21 R Development Core Team (2006) A language and environment for statistical computing R Foundation for Statistical Computing Austria ISBN 3-900051-07-0URL httpwwwR-proiectorg
22 C Coudun 2004 Reacutegression logistique et application sous S-Plus INRA amp ENGREF
23 C Benavent 2001 Modegravele logit Note peacutedagogique drsquoIAE Lille EREM http chr i stophe benavent free frcoursstat
24 S Triacaud S Briand amp P Michel Les modegraveles log lineacuteaires Application agrave lrsquoeacutetude de la stabiliteacute des critegraveres drsquoeacutevaluation du dossier patient Pessac
25 SAS La reacutegression logistique geacuteneacuteraliseacutee avec la proceacutedure LOGISTIChttpwwwsascomfrance
A doption d u riz N erica p a r les riz icu lteu rs de Guineacutee 61