Beruflich Dokumente
Kultur Dokumente
q
u
e
n
c
e
85
limites de la bote sont considres comme des valeurs loignes et sont marques de la lettre
O .
Les botes moustaches peuvent tre utilises pour nettoyer les donnes en identifiant les valeurs
extrmes. Elles sont galement utiles pour comparer la distribution des valeurs entre diffrents
groupes. La bote moustache de la figure 6.10 reprsente le nombre dadultes et denfants de
chaque mnage en groupant les donnes en fonction du statut du client. Comme le montre le
graphique, la taille mdiane de la famille est environ de cinq, la fois pour les clients et les non-
clients, avec seulement trois valeurs loignes et sans valeur extrme dtecte. Ces rsultats
nindiquent pas de problme derreur de donnes.
Les botes moustaches et les autres graphiques sont crs en slectionnant loption Bote
moustaches du menu Graphes. Choisir Simple pour le style de diagramme et Rcapitulatif
pour les groupes dobservations . Cela ouvre la bote de dialogue Bote moustaches simple :
groupes dobservation reprsente par la figure 6.11. Choisir la variable reprsenter
graphiquement et la variable qui permettra de distinguer des groupes dobservations.
Suggestion de routines de nettoyage des donnes
Une fois les erreurs localises, elles sont corriges dans les fichiers de donnes originaux. Cette
section dtaille les tches spcifiques relatives au nettoyage des donnes de chacun des quatre
types de fichiers de donnes. La liste nest pas exhaustive ; les tches sont simplement prsentes
comme des exemples de mthodes de nettoyage des donnes. Des vrifications supplmentaires
appliquant ces concepts pour tester la prsence derreurs dans les diffrentes variables seront
certainement ncessaires.
Fichier de donnes sur les mnages (F1)
Raliser des tests de frquence sur toutes les variables comprenant un nombre limit de valeurs
pour les rponses. Celles-ci incluent toutes les variables correspondant des modalits de
rponses dfinies. Seules les variables mesurant un nombre rel ncessitent un examen rigoureux
(voir lments C2, C4, C5, C9 et D1 du questionnaire).
86
Figure 6.10 Exemple de bote moustaches SPSS pour les
donnes collectes sur la taille du mnage
200 300 N =
MFI client status
client of mfi non-client of mfi
T
o
t
a
l
n
u
m
b
e
r
o
f
a
d
u
l
t
s
a
n
d
c
h
i
l
d
r
e
n
i
n
h
o
u
s
e
h
o
l
d
14
12
10
8
6
4
2
0
140 60
208 100 92
33 79
Statut client/non-client
Non-client de lIMF Client de lIMF
N
o
m
b
r
e
t
o
t
a
l
d
a
d
u
l
t
e
s
e
t
d
e
n
f
a
n
t
s
d
u
m
n
a
g
e
87
Figure 6.11 Bote de dialogue SPSS Bote moustaches simple
Vrifier quaucun mnage na indiqu un nombre de repas anormalement faible ou lev au
cours des deux derniers jours (lment C2). Utiliser un tableau de frquences ou une bote
moustaches pour identifier dventuelles valeurs aberrantes. Si de telles valeurs apparaissent,
vrifier le questionnaire original pour dterminer si elles sont inhabituelles ou errones. Modifier
la valeur en cas derreur de saisie ou supprimer la valeur si aucune correction ne peut tre
apporte.
A laide dun tableau de frquences, vrifier quaucune rponse aux lments C4 et C5 nexcde
la valeur 7, le nombre maximum de jours possible, ou nest infrieure 0. Pour la question C9,
vrifier laide dune bote moustaches quaucune rponse aberrante na t enregistre
concernant les semaines de stockage de produits de base locaux. Enfin, pour la question D1,
vrifier laide dune bote moustaches quaucune rponse aberrante na t enregistre
concernant le nombre de pices dans lhabitat du mnage.
Fichier de donnes sur les adultes (F2)
Le fichier adultes reprend la variable du statut du client de A6. Vrifier que les mnages
reports en tant que clients de lIMF sont rellement clients de lIMF. Cette vrification peut tre
effectue en vrifiant que tous les mnages numrs en tant que clients ont bien affirm
compter parmi leurs membres un client de lIMF dans le tableau B1 du questionnaire. La
procdure inverse peut tre utilise pour vrifier que les mnages reports en tant que non-clients
sont rellement non-clients. Ceci peut tre fait en ne slectionnant que des observations de non-
clients et en crant un tableau de frquences pour les adultes membres.
Crer des tableaux de frquences pour toutes les variables comptant un nombre limit de valeurs
de rponses. Celles-ci incluent toutes les variables except lge et les dpenses vestimentaires.
Crer des tableaux de statistiques descriptives ou des botes moustaches pour identifier
dventuelles valeurs aberrantes pour ces deux variables. Toute observation pour laquelle lge
enregistr est infrieur 15 ans indique une erreur. Un ge suprieur 100 est galement
douteux. Les dpenses en vtements dont le montant est bien suprieur la fourchette de la
plupart des mnages doivent galement tre vrifies en sassurant que les mnages concerns
88
ont aussi indiqu un niveau de richesse plus lev dans leurs rponses concernant lalimentation,
lhabitat et la proprit dactifs.
Vrifier que chaque mnage a t correctement identifi. Aucun individu ayant un code
dident ification de 1 (correspondant au chef de mnage) ne doit avoir une rponse la
variable relation avec le chef de mnage , et aucun mnage ne doit compter plus dun membre
ayant code ID gal 1 . Choisir loption Slectionner des observations dans le menu
Donnes pour extraire les observations ayant un code ID individuel gal 1 , soit chef de
mnage, puis crer un tableau de frquences en utilisant la variable relation avec le chef de
mnage .
Fichier de donnes sur les enfants (F3)
Crer des tableaux de statistiques descriptives ou des botes moustaches pour identifier
dventuelles valeurs aberrantes concernant les variables de lge et des dpenses vestimentaires.
Tout cas dont lge report est suprieur 14 indique une erreur. Si de telles observations sont
identifies, slectionner les observations o ge>14 et lancer un test de frquence pour le
code du mnage. Comme prcdemment, vrifier que tout niveau inhabituellement lev de
dpenses vestimentaires pour un enfant est cohrent avec le niveau de dpenses pour les autres
enfants et adultes du mnage.
Fichier de donnes sur les actifs (F4)
Les dclarations concernant la proprit dactifs sont susceptibles de varier considrablement
dun mnage lautre. Les erreurs proviennent en partie du fait que certains mnages dforment
linformation sur le nombre et la valeur de leurs actifs. Elles peuvent aussi provenir de la prise en
compte de certains actifs qui ne sont pas entirement dtenus par le mnage (par exemple achets
crdit ou lous).
Les procdures de nettoyage des donnes concernant les actifs ont donc pour objectif didentifier
les ventuelles combinaisons dinformations inhabituelles. Par exemple, un mnage qui
possderait quatre vhicules dune valeur estime 25 000 USD, mais nayant pas dappareils
mnagers ou lectroniques semblerait peu plausible. Utiliser loption Slectionner Si pour
filtrer les observations possdant des actifs dune valeur inhabituellement leve et utiliser un
test de frquences pour dterminer les codes didentification des mnages. Vrifier chaque cas en
confrontant les donnes suspectes aux rponses aux autres questions.
86
CHAPITRE 7
TRAITER LES DONNEES SOUS SPSS
Une fois les donnes nettoyes, il est ncessaire de les prparer lanalyse laide de
fonctions et techniques SPSS particulires. Les donnes contenues dans les quatre
fichiers spars dcrits dans le chapitre 6 sont dabord combines en un fichier unique
une version tendue du fichier F1 sur les mnages. Cela fait appel aux procdures SPSS
consistant (i) agrger les donnes puis (ii) fusionner les fichiers. Les donnes
enregistres sur les adultes, les enfants et les actifs sont ensuite utilises pour crer de
nouvelles variables agrges qui enregistrent linformation au niveau du mnage. Une
fois toutes les donnes analyser contenues dans un seul fichier, plusieurs nouvelles
variables sont calcules partir des variables existantes. On utilise pour cela la fonction
SPSS de transformation des donnes.
Mthodes dagrgation des donnes pour la gnration de nouvelles
variables sous SPSS
Les fichiers de donnes concernant les adultes des mnages (F2), les enfants des mnages
(F3) et le rsum des actifs individuels (F4) contiennent tous des donnes quil faut
agrger au niveau du mnage. Ce processus est ncessaire pour crer des variables
relatives au mnage pouvant tre analyses avec dautres variables relatives au mnage
dj existantes.
Par exemple, si lobjectif est de connatre le nombre dadultes qui savent crire dans
chaque mnage, cette information peut tre gnre partir du fichier sur les adultes en
comptant le nombre dadultes qui ont rpondu oui sait crire dans chaque mnage.
Cependant, le rsultat est un nombre mesur au niveau du mnage et ne correspond donc
plus au fichier sur les adultes. La fonction dagrgation calcule la nouvelle variable et la
fonction de fusion transfre la nouvelle variable dans le fichier relatif aux mnages.
Agrger les donnes et les transposer du niveau relatif aux individus ou aux actifs au
niveau relatif aux mnages ncessite plusieurs tapes. Dabord on dfinit le type de
variable crer partir de chacun puis on lance une fonction SPSS pour la calculer.
Ensuite la variable nouvellement cre est sauvegarde dans un fichier temporaire. Enfin,
le fichier temporaire est fusionn avec le fichier relatif aux mnages en faisant
correspondre les codes de mnages pour chaque observation.
87
Fonction SPSS dagrgation des donnes
Le processus dagrgation sous SPSS ncessite que les variables agrges mesures au
niveau des mnages soient temporairement sauvegardes dans de nouveaux fichiers. La
fonction dagrgation des donnes est une option du menu Donnes. Dans la bote de
dialogue Agrger les donnes (figure 7.1), cliquer sur le nom de la variable pour le
code du mnage dans la liste de gauche, puis cliquer sur la flche pour le transfrer dans
la case de droite intitule Critre(s) dagrgation . Le critre dagrgation est le
niveau auquel les donnes seront agrges. Toutes les agrgations utiliseront le code du
mnage comme critre dagrgation et toutes les variables nouvellement cres doivent
tre relatives aux mnages.
Figure 7.1 Bote de dialogue SPSS Agrger les donnes
Replacer le curseur dans la mme liste de variables et slectionner la variable agrger.
Utiliser la flche du bas pour transfrer ce nom de variable dans la case intitule
Variable(s) agrge(s) . Les boutons Nom et tiquette et Fonction sont
maintenant actifs. Cliquer sur Fonction pour ouvrir la bote de dialogue Agrger les
donnes : Fonction agrgation (figure 7.2).
88
Figure 7.2 Bote de dialogue SPSS Agrger les donnes :
Fonction agrgation
Dans la bote de dialogue Fonction agrgation (figure 7.2), spcifier comment
calculer chaque variable agrge. Slectionner Somme des valeurs si un nombre total
est ncessaire pour chaque mnage, Moyenne des valeurs pour la moyenne, ou
Pourcentage au-dessus , Pourcentage au-dessous pour une limite de pourcentage
spcifique (les deux dernires options ncessitent de dfinir une valeur limite pour le
pourcentage saisir ; les alternatives pourcentage compris ou pourcentage non
compris ncessitent la saisie dune fourchette de pourcentages). Slectionner Nombre
dobservations pour les variables dont le nombre doccurrences doit tre compt
lintrieur de chaque mnage. Dans lexemple du tableau 7.1, la fonction Moyenne des
valeurs a t slectionne pour calculer lge moyen des adultes du mnage.
Agrger danciennes variables pour gnrer de nouvelles variables
Les variables peuvent tre agrges par un grand nombre de fonctions. Les mthodes les
plus couramment utilises dans cette tude enregistrent la valeur de chaque observation
relative au mnage en tant que (i) moyenne, soit la moyenne de toutes les observations
relatives aux individus ou aux actifs, (ii) somme, soit le total de toutes les observations
relatives aux individus ou aux actifs, ou (iii) nombre, soit le nombre doccurrences dune
rponse ou condition particulire.
Les indicateurs individuels agrger au niveau du mnage sont numrs dans les
tableaux 7.1 et 7.2. Les indicateurs lis aux actifs agrger au niveau du mnage sont
numrs dans le tableau 7.3.
89
Il est facile de faire des erreurs dans le processus dagrgation si les tapes ne sont pas
bien rflchies. La colonne des tableaux la plus gauche numre les variables originales
utilises pour raliser lagrgation. Celles-ci sont places dans la case Variable(s)
agrge(s) La colonne du milieu nomme et dfinit lindicateur rsultant qui sera cr
pour chaque observation relative au mnage. Les nouveaux indicateurs seront
sauvegards dans des fichiers de rsultats temporaires. La colonne la plus droite dcrit
les procdures suivre dans SPSS.
90
Tableau 7.1 Agrgation des donnes du fichier F2 : caractristiques des adultes de la famille
(gs de 15 ans et plus)
Variable individuelle Indicateur rsultant Mthode dagrgation
Code individuel du
membre
Nombre dadultes par
mnage (NBADULT)
Slectionner Nombre dobservations dans la
bote de dialogue Fonction Agrgation
Age Age moyen des adultes
(AGE_MOY)
Slectionner Moyenne des valeurs dans la
bote de dialogue Fonction Agrgation
Niveau dducation
maximum
Pourcentage dadultes avec
un niveau dducation
minimum spcifi
(EDUC1 EDUC2)
Slectionner Pourcentage au-dessus et
spcifier un code de rponse pour le niveau
dducation seuil (lyce ou au-dessus, par
exemple) ; utiliser diffrents niveaux seuils
pour crer plusieurs variables agrges
Matrise de lcriture Nombre dadultes sachant
crire
(NBECRIR)
A partir du menu Donnes, slectionner les
observations (en choisissant Slectionner
observations ) pour lesquelles la rponse est
oui . Slectionner Nombre
dobservations dans la bote de dialogue
Fonction Agrgation
Activit principale Nombre dadultes avec une
activit principale
(OCCUP1 OCCUP2)
A partir du menu Donnes, slectionner les
observations pour chaque rponse < 7 , puis
slectionner Nombre dobservations dans
la bote de dialogue Fonction Agrgation .
Six indicateurs seront crs pour chaque
catgorie dactivit
Activit principale Nombre dadultes inactifs
(NBINACT)
A partir du menu Donnes, slectionner les
observations pour lesquelles le code dactivit
est > 6 , puis slectionner Nombre
dobservations dans la bote de dialogue
Fonction Agrgation
Client actuel de lIMF Nombre de clients de lIMF
dans le mnage
(NBCLIENT)
A partir du menu Donnes, slectionner les
observations rpondant oui , puis
slectionner Nombre dobservations dans
la bote de dialogue Fonction Agrgation
Dpenses
vestimentaires
Montant total des dpenses
vestimentaires
(DEPADU)
Slectionner Somme des valeurs dans la
bote de dialogue Fonction Agrgation
Sexe + chef du
mnage
Femme chef du mnage
(FCM)
A partir du menu Donnes, slectionner les
observations pour lesquelles le code du
membre = 1 (c.--d. chef de mnage), et le
sexe est fminin puis slectionner Nombre
dobservations dans la bote de dialogue
Fonction Agrgation
91
Tableau 7.2 Agrgation des donnes du fichier F3 : caractristiques des enfants de la famille
(gs de 0 14 ans)
Variable individuelle Indicateur rsultant Mthode dagrgation
Code ID individuel
du membre
Nombre denfants par
mnage
(NBENF)
Slectionner Nombre dobservations dans la
bote de dialogue Fonction Agrgation
Age Age moyen des enfants
(AGEENF)
Slectionner Moyenne des valeurs dans la bote
de dialogue Fonction Agrgation
Dpenses
vestimentaires
Montant total des dpenses
vestimentaires
(DEPENF)
Slectionner Somme des valeurs dans la bote de
dialogue Fonction Agrgation
Tableau 7.3 Agrgation des donnes du fichier F4 : valeur des actifs du mnage
Variable individuelle Indicateur rsultant Mthode dagrgation
Valeur des animaux
par type (code
dactif = 1, 2, 3, 4)
Valeur totale du btail
(VALANIML)
A partir du menu Donnes, slectionner les
observations (en cliquant sur Slectionner
observations ) pour lesquelles le code dactif est
< 5, puis slectionner Somme des valeurs dans
la bote de dialogue Fonction Agrgation
Valeur des
quipements de
transport (code
dactif = 5, 6, 7, 8,
9)
Valeur totale des
quipements de
transport (VALTRANS)
A partir du menu Donnes, slectionner les
observations pour lesquelles le code dactif est > 4
et < 10, puis slectionner Somme des valeurs
dans la bote de dialogue Fonction Agrgation
Valeur des appareils
mnagers et
lectroniques
Valeur totale des appareils
mnagers et
lectroniques
(VALELEC)
A partir du menu Donnes, slectionner les
observations pour lesquelles le code dactif
est > 9, puis slectionner Somme des valeurs
dans la bote de dialogue Fonction Agrgation
Lagrgation des donnes relatives aux actifs ncessite de calculer pralablement de
nouvelles variables qui reprsentent la somme des valeurs totales des actifs. Les trois
variables calculer sont les suivantes :
Valeur totale du btail = somme des codes dactif 1 4
Valeur totale des quipements de transport = somme des codes dactif 5 9
Valeur totale des appareils mnagers et lectroniques = somme des codes
dactif 10 15
Aucune agrgation nest ncessaire pour crer les indicateurs de rsultat tels que la valeur
des postes de tlvision, cependant le transfert des donnes suit la mme procdure. Pour
tre certain que la variable cre peut tre retrouve ultrieurement, cliquer sur Nom &
tiquette au bas de la bote de dialogue Agrger les donnes . Dans la bote de
92
dialogue Nom et tiquette de la variable (figure 7.3), saisir un nom et une tiquette
identifiant la variable en cration.
Figure 7.3 Bote de dialogue SPSS Agrger les donnes :
Nom et tiquette de la variable
Sauvegarder les rsultats dans de nouveaux fichiers
Dans la plupart des cas, plusieurs variables individuelles peuvent tre agrges en mme
temps et les indicateurs qui en dcoulent sauvegards dans le mme fichier de rsultats.
Cependant, si la procdure dagrgation ncessite quun seul sous-ensemble
dobservations soit slectionn pour mener bien lagrgation, il sera ncessaire de
recourir des fichiers de rsultats distincts pour chaque agrgation laide de la
procdure Slectionner Si . Chaque fichier de rsultat doit porter un nom unique. La
totalit du processus dagrgation rsultera dans la cration dune dizaine de fichiers de
rsultats temporaires. Utiliser des noms de fichiers permettant aux utilisateurs de se
souvenir du contenu.
La sauvegarde du rsultat de chaque groupe de variables agrges ncessite la cration
dun nouveau fichier. Dans la bote de dialogue Agrger les donnes (figure 7.1),
cliquer sur le petit cercle gauche de Crer un nouveau fichier puis cliquer sur le
bouton Fichier . La bote de dialogue Spcification du fichier rsultats (figure 7.4)
saffiche, permettant la saisie dun nom pour le fichier contenant les nouvelles variables.
Utiliser un nom facilement comprhensible pour la suite.
93
Figure 7.4 Bote de dialogue SPSS Agrger les donnes :
Spcification du fichier rsultats
Fusion des fichiers
La section prcdente donne des conseils pour la cration de plusieurs fichiers
temporaires contenant les variables de donnes agrges. Dans SPSS la procdure de
fusion des fichiers est utilise pour combiner les variables de deux fichiers diffrents. La
fusion de diffrentes variables relatives aux mmes observations ncessite que les deux
fichiers partagent une variable commune avec des valeurs uniques pour chaque
observation (le code du mnage) et soient structurs de sorte que la variable commune
soit ordonne de la mme faon dans les deux fichiers (par exemple du code du mnage
le plus petit au plus grand).
Pour dfinir lordre des donnes du fichier, slectionner Trier les observations partir
du menu Donnes (figure 7.5). Slectionner la variable code du mnage et la transfrer
dans la case Trier par , puis cliquer sur Croissant et enfin sur OK . Sauvegarder
le fichier tri.
94
Figure 7.5 Bote de dialogue SPSS Trier les observations
Une fois que le fichier relatif aux mnages et le fichier temporaire de donnes agrges
sont tris par ordre croissant de codes des mnages, slectionner Fusionner des fichiers
partir du menu Donnes, puis cliquer sur Ajouter des variables . La bote de
dialogue Ajouter des variables : Lire le fichier souvre. Slectionner le fichier sur les
mnages dans lequel vous voulez ajouter de nouvelles variables. Cliquer sur Ouvrir
pour ouvrir la bote de dialogue Ajouter des variables de (figure 7.6).
SPSS identifie automatiquement les variables communes, qui comprennent toujours le
code des mnages. Cocher la case Apparier les observations sur les cls des fichiers
tris , puis cliquer sur le code des mnages et le transfrer dans la case Cl(s)
dappariement en cliquant sur le bouton du bas portant une flche. Vrifier que les
variables ont t correctement fusionnes puis sauvegarder le nouveau fichier sous un
nom diffrent.
95
Figure 7.6 Bote de dialogue SPSS Ajouter des variables de
Pour crer un fichier complet au niveau des mnages, il faut agrger toutes les variables
numres dans les tableaux 7.1, 7.2 et 7.3 et les fusionner avec les donnes relatives aux
mnages.
Transformer les variables pour recoder les donnes
Une variable peut tre recode pour crer une nouvelle variable ou pour remplacer la
variable existante. Le recodage est parfois ncessaire pour effectuer des calculs. Recoder
des valeurs manquantes SYSMIS en 0 permet dviter quune observation soit
exclue dun calcul ou dune analyse. Par exemple, pour ajouter les rponses de C2 aux
rponses de C3, toutes les valeurs SYSMIS peuvent dabord tre transformes en
0 puis ajoutes pour crer une nouvelle variable mesurant le nombre de repas pris par
lensemble des mnages.
Dans le menu Transformer, slectionner Recoder, puis Recodage de variables.
Spcifier les variables recoder dans la bote de dialogue. Une rgle de slection peut
tre spcifie en cliquant sur Si et en suivant les indications du menu pour dfinir la
rgle. La bote de dialogue Recodage de variables (figure 7.7) permet loprateur de
rassigner les valeurs de variables existantes ou de rduire une srie de valeurs existantes
dans de nouvelles valeurs. Le recodage de variable peut galement servir transformer
des codes manquants en dautres valeurs.
96
Figure 7.7 Bote de dialogue SPSS Recodage de variables
Pour recoder la variable, cliquer sur Anciennes et nouvelles valeurs et utiliser la bote
de dialogue affiche (figure 7.8) pour indiquer quelles sont les anciennes valeurs
modifier et quelles sont les nouvelles valeurs. Aprs avoir slectionn les anciennes et les
nouvelles valeurs, cliquer sur Poursuivre , puis sur OK pour lancer la procdure de
recodage. Dans la figure 7.8, la valeur SYSMIS est transforme en 0 .
Figure 7.8 Bote de dialogue SPSS Recodage de variables :
Anciennes et nouvelles valeurs
Seul un petit nombre de variables spcifiques aura besoin dtre recod, ces variables
provenant toutes de lagrgation des donnes au niveau du mnage (F1). Pour chaque
indicateur agrg numr ci-dessous, recoder lancienne valeur SYSMIS
( manquante par dfaut ) en une nouvelle valeur gale 0 , dans la mme variable,
comme indiqu ci-dessous :
Suite lagrgation des indicateurs relatifs aux adultes prsents dans le
tableau 7.1, recoder SYSMIS en 0 pour EDUC1, EDCU2, etc.,
97
NBECRIR, OCCUP1, OCCUP2, etc., NBINACT, NBCLIENT, DEPADU, et
FCM
Suite lagrgation des indicateurs relatifs aux enfants, recoder SYSMIS
en 0 pour NBENF et DEPENF
Tous les indicateurs relatifs la valeur des actifs sont ensuite agrgs dans le
fichier des mnages (numrs dans la colonne du milieu du tableau 7.3).
Procdures de calcul de nouvelles variables
Au tout dbut de lanalyse, le chercheur devra calculer de nouvelles variables partir des
variables existantes. Le tableau 7.4 montre quels sont les calculs ncessaires pour la
cration de nouvelles variables dans le fichier des mnages.
Tableau 7.4 Calcul de variables au niveau du mnage
Variable calculer Procdure de calcul
Taille de la famille (NBMB) Ajouter le nombre dadultes (NBADULT) au nombre denfants
(NBENF)
Dpenses en alimentation et
vtements par personne
(DEPVETPP)
Ajouter les dpenses en alimentation et vtements des adultes
(DEPADU) et des enfants (DEPENF), puis diviser par le
nombre de membres de la famille (NBMB)
Pourcentage des adultes du mnage
sachant crire (PRCWRIT)
Diviser le nombre dadultes sachant crire (NBECRIR) par le
nombre de membres adultes du mnage (NBADULT)
Pourcentage dadultes du mnage
ayant atteint un certain niveau
dducation (PRCEDUC1,
PRCEDUC2)
Diviser le niveau dducation (par exemple, EDUC1) par
NBADULT
Pourcentage dadultes du mnage
ayant diffrents types dactivits
(PRCOCCU1, PRCOCCU2)
Diviser le type dactivit (par exemple, OCCUP1) par
NBADULT
Ratio de dpendance enfants/adultes
(ENFDEPR)
Diviser NBENF par NBADULT
Ratio de dpendance inactifs/actifs
(INACDEPR)
Diviser NBINACT par NBADULT
Pices par personne (PIECEPP) Diviser NBPIECE par NBMB
Nombre total de repas pris au cours
des deux jours passs (NBREPAS)
Recoder les valeurs manquantes en 0 , puis ajouter NBREP2
EVEREP2
Superficie totale des terres dtenues
par le mnage (SURFTOT)
Recoder les valeurs manquantes en 0 , puis ajouter les terres
cultives (SURFIRRI) aux terres non cultives (SURFNIRR)
Valeur totale des terres dtenues
(VALTER)
Ajouter la valeur des terres cultives (VALIRRI) la valeur des
terres non cultives (VALNIRR)
Valeur totale des actifs du mnage
(TOTACTIF)
Faire la somme de VALANIMA, VALELEC, VALTRANS et
VALTER
98
Valeur des actifs par personne
(ACTIFPP)
Diviser TOTACTIF par NBMB
Pour calculer de nouvelles variables sous SPSS, slectionner Transformer dans le menu
principal, puis Calculer. La bote de dialogue Calculer la variable (figure 7.9)
souvre. Placer le curseur dans la case Variable destination et taper le nom de la
nouvelle variable calculer. Puis se placer dans la case Expression numrique et taper
les variables entrant dans le calcul de la nouvelle variable. La formule peut tre tape ou
forme partir des listes de variables et de fonctions en utilisant les flches appropries.
Une fois la variable cre, ouvrir la bote de dialogue Calculer la variable : Type et
tiquette en cliquant sur Type et tiquette et entrer une dfinition de la variable ainsi
que des tiquettes de valeurs le cas chant.
Figure 7.9 Bote de dialogue SPSS Calculer la variable
Dans certains cas, le calcul de nouvelles variables ncessite le recours une expression
conditionnelle pour trier les valeurs de la variable existante ou les variables utiliser dans
la cration dune nouvelle variable. Pour ce faire, une bote de dialogue spciale est
prvue sous SPSS (figure 7.10). On y accde en cliquant sur le bouton Si apparaissant
sur la figure 7.9. Une fois ouverte, cette bote de dialogue permet de dfinir une rgle
pour slectionner ou exclure des observations donnes. Lorsque lexpression
conditionnelle est dfinie, cliquer sur Poursuivre , puis sur OK pour lancer le
calcul.
Des prcautions particulires sont prendre lors du calcul de variables partir dautres
variables comprenant des valeurs manquantes (SYSMIS). En effet, toute somme dun
nombre et dune valeur SYSMIS est gale une valeur SYSMIS. Pour viter ce
99
problme, exclure ces valeurs du calcul laide de lexpression conditionnelle NE
MISSING[NOM DE LA VARIABLE] (figure 7.10).
Figure 7.10 Bote de dialogue SPSS Calculer la variable : Si les observations
Rsum
Ce chapitre guide les utilisateurs dans le processus dagrgation et de fusion des donnes
des fichiers adultes (F2), enfants (F3) et actifs (F4) avec les donnes du fichier relatif aux
mnages. Il donne aussi des indications pour transformer des variables en vue de crer de
nouveaux indicateurs relatifs aux mnages. Le rsultat final de ce processus est la
cration dune version tendue du fichier relatif aux mnages, comprenant tous les
indicateurs socioconomiques et de pauvret requis pour mener bien lvaluation du
niveau de pauvret. Ce fichier peut maintenant tre utilis pour achever le stade initial de
lanalyse visant la cration dun indice de pauvret.
98
CHAPITRE 8
REALISER UNE ANALYSE DESCRIPTIVE DES
DONNEES
Rechercher les diffrences significatives
entre mnages clients et non-clients
Identifier les diffrences de caractristiques socioconomiques entre les clients et les non-
clients peut nous aider comprendre en quoi les deux groupes diffrent en terme de
niveau de pauvret.
Les diffrences entre groupes peuvent tre dtermines laide du test t de comparaison
des moyennes ou du khi-deux pour les tableaux croiss. Le choix du test appliquer
dpend du type de mesure utilise pour la variable. Pour les donnes nominales et
ordinales, lanalyse descriptive de la relation entre deux variables requiert la cration de
tableaux croiss pour identifier les diffrents profils de rponses en fonction du statut
client/non-client.
Pour dterminer si les diffrences de rponses entre les groupes chantillons sont
significatives c'est--dire pour sassurer que les deux variables ne sont pas
indpendantes lune de lautre on utilise le test khi-deux. Pour dterminer si la
diffrence entre les moyennes de deux groupes dchantillons indpendants relatifs une
variable dchelle est significative, on utilise le test t de comparaison des moyennes. Les
diffrences significatives trouves dans les chantillons peuvent tre considres comme
reprsentatives de la population. Dans le cas prsent, la population dsigne lensemble du
groupe de clients et non-clients situs dans la mme zone.
Tableaux croiss et test khi-deux
Comment appliquer les tableaux croiss
Lorsquune ou plusieurs variables sont mesures suivant une chelle nominale ou
ordinale, le tableau crois est le moyen didentifier une relation entre deux variables. Le
tableau crois fournit dans des cellules le nombre et le pourcentage de cas de
combinaisons de diffrentes rponses. Par exemple, si un chercheur veut examiner les
diffrences dactivits entre les mnages clients et les mnages non-clients enquts, le
tableau crois lui fournira le nombre de mnages de chacun de deux types travaillant dans
chaque domaine dactivit, ainsi que le pourcentage correspondant par rapport
99
lensemble des mnages. De cette faon, les ventuelles diffrences de profil entre clients
et non-clients sont plus facilement dtectables.
Le tableau 8.1 montre un exemple de tableau crois rpartissant les rponses par statut
(client/non-client) et par type dactivit. Il est extrait de lune des tudes de cas ayant
servi tester loutil dvaluation. Comme le montrent les pourcentages du tableau, les
non-clients sont plus susceptibles de mener une activit dauto emploi dans lagriculture,
doccuper des emplois temporaires ou dtre sans activit en recherche demploi. Les
clients de lIMF sont plus susceptibles de mener une activit dauto-emploi dans une
entreprise non agricole.
Ces rsultats sont notables car ils indiquent que les critres de slection de lIMF, tels que
lengagement du client dans une microentreprise, se traduisent par une sur-reprsentation
des mnages comptant des adultes entrepreneurs par rapport la population gnrale. Si
les mnages comprenant des microentrepreneurs ont tendance tre plutt plus riches ou
plus pauvres que les autres mnages, cela aura une grande influence sur le classement des
mnages clients dans lindice de pauvret.
Tableau 8.1 Exemple de tableau crois du statut des clients par activit principale des adultes du
mnage
Principale activit
Nb de
clients
% des
clients
Nb de non-
clients
% des
non-clients
Total
enquts
% du total des
enquts
Auto-emploi dans lagriculture 125 17,5% 311 32,3% 436 26,0%
Auto-emploi dans une entreprise
non agricole 218 30,6% 151 15,7% 369 22,0%
Ecolier/tudiant 154 21,6% 148 15,4% 302 18,0%
Travail temporaire 20 2,8% 59 6,1% 79 4,7%
Travailleur salari 98 13,7% 143 14,8% 241 14,4%
Travail domestique 62 8,7% 75 7,8% 137 8,2%
Inactif, en recherche demploi 22 3,1% 62 6,4% 84 5,0%
Retrait/ne souhaitant pas
travailler 6 0,8% 8 0,8% 14 0,8%
Incapacit travailler/handicap 8 1,1% 6 0,6% 14 0,8%
TOTAL 713 100,0% 963 100,0% 1676 100,0%
Le test khi-deux est ensuite utilis pour dterminer si les diffrences dans la rpartition
des rponses entre les catgories sont statistiquement significatives. Le test khi-deux
rpond la question suivante : les diffrences de rponses observes selon les catgories
refltent-elles une erreur dchantillonnage ou indiquent-elles une relation ? Dans
lexemple du tableau 8.1, une valeur khi-deux significative de 0,05 (ou moins)
suggrerait quil existe une diffrence entre les mnages clients et non-clients en termes
de rpartition des activits. La nature de cette relation ne peut cependant tre dcouverte
que par lexamen du tableau crois.
100
Le tableau 8.2 prsente les rsultats du khi-deux pour le tableau crois 8.1. Le niveau de
signification du khi-deux est infrieur 0,001, indiquant une forte diffrence dans le
profil dactivit des clients et des non-clients.
Tableau 8.2 Exemple de tableau de rsultat SPSS du test khi-deux du tableau crois
Valeur ddl Sig. asymp. (bilatrale)
Khi-deux de Pearson
105,191 8 0,000
Rapport de vraisemblance 107,098 8 0,000
Association linaire par linaire 0,022 1 0,881
Nombre dobservations valides 1676,000
Tableaux croiss sous SPSS
Pour lancer la procdure de tableau crois sous SPSS, cliquer sur Statistiques
Descriptives dans le menu Analyse, puis sur Tableaux croiss. La bote de dialogue
Tableaux croiss souvre (figure 8.1). Transfrer la variable dsignant le statut
client/non-client de la liste de gauche jusque dans la case Colonne(s) . Dplacer les
variables comparer en fonction du statut dans la case Ligne(s) . Plusieurs variables
peuvent tre slectionnes en mme temps dans la case Ligne(s) , mais chaque
combinaison doit faire lobjet dun tableau crois distinct. Pour crer un tableau crois
pour chaque zone dtude, transfrer le code de zone de lIMF dans la case Strate 1 sur
1 .
Figure 8.1 Bote de dialogue SPSS Tableaux croiss
101
Cliquer maintenant sur Statistiques au bas de la page pour ouvrir la bote de dialogue
Tableaux croiss : Statistiques (figure 8.2). Cocher la case Khi-deux et cliquer sur
Poursuivre pour retourner la bote de dialogue Tableaux croiss . Cliquer sur
Cellules pour ouvrir la bote de dialogue Tableaux croiss : Contenu des cases
(figure 8.3) et vrifier que la case Observ est bien coche sous Effectif , ainsi que
la case Colonne sous Pourcentages . Cliquer sur Poursuivre pour retourner la
bote de dialogue Tableaux croiss , puis sur OK pour lancer la cration du tableau
crois. Les rsultats apparaissent automatiquement dans la fentre Editeur de
rsultats .
Figure 8.2 Bote de dialogue SPSS Tableaux croiss : statistiques
Figure 8.3 Bote de dialogue SPSS
Tableaux croiss : Contenu des cases
102
Interprter un tableau crois
Il est possible de saisir plusieurs variables sur la mme ligne lors de la cration de
tableaux croiss, mais assurez-vous didentifier uniquement la variable de statut dans la
case Colonne(s) . Dans la bote de dialogue Tableaux croiss : Contenu des cases
(figure 8.3), cocher uniquement loption Colonne sous Pourcentages , car une
rpartition des pourcentages par ligne ne serait pas utile. Une fois que le test est lanc,
vrifier que le fichier de rsultat apparaissant lcran ne comporte pas derreurs de
spcification.
Interprter correctement un tableau crois demande de la pratique. Dans la plupart des
cas, la valeur absolue donne dans chaque cellule du tableau donne peu dindications en
elle- mme. En revanche, le pourcentage des observations totales reprsent par chaque
cellule est plus significatif pour identifier des diffrences dans la rpartition des rponses.
Les pourcentages peuvent tre exprims par rapport au nombre total de cases de la
colonne ou de cases de la ligne. Dans cette tude, on utilisera le plus souvent des
pourcentages rapports au total des colonnes lorsque la variable en colonne indique le
statut de lenqut (mnage client ou non-client de lIMF).
Les tableaux croiss peuvent tre raliss diffrents niveaux de donnes. Pour affiner la
nature des diffrences entre clients et non-clients, il est possible de diviser les donnes en
plus petites catgories, par exemple par rgion dtude. De cette faon, la source des
diffrences apparaissant dans les donnes agrges peut tre identifie avec prcision et
attribue une relation plus spcifique. Dans le mme temps, un tableau crois plus
dtaill peut permettre de dcouvrir une fausse relation napparaissant que lorsque les
sous catgories sont agrges. La question se poser lorsque lon dcide dapprofondir le
niveau de dtail est : dans quelles conditions cette relation existe-t-elle ? .
Dans lexemple prcdent du tableau 8.2, un test de signification effectu au niveau des
rgions denqute a fourni les rsultats prsents dans le tableau 8.3. Sur la base du
niveau de signification du khi-deux, on note que les diffrences dactivit entre les clients
et non-clients sobservent dans quatre rgions sur cinq. La rgion dans laquelle cette
diffrence nest pas observe est une rgion fortement urbaine, ce qui signifie quelle
prsente peu de possibilits de travailler au sein dentreprises agricoles.
103
Tableau 8.3 Exemples de test de signification portant sur le statut de lenqut et son
activit au niveau des rgions
Code rgion Test Valeur ddl
Sig. asymp.
(bilatrale)
Rgion 1 Khi-deux de Pearson 30.970 6 0.000
Rapport de vraisemblance 31.864 6 0.000
Association linaire p. linaire 23.413 1 0.000
Nb dobservations valides 379
Rgion 2 Khi-deux de Pearson 13.707 6 0.033
Rapport de vraisemblance 14.041 6 0.029
Association linaire p. linaire 0.616 1 0.433
Nb dobservations valides 336
Rgion 3 Khi-deux de Pearson 1.043 6 0.984
Rapport de vraisemblance 1.045 6 0.984
Association linaire p. linaire 0.156 1 0.693
Nb dobservations valides 288
Rgion 4 Khi-deux de Pearson 18.361 6 0.005
Rapport de vraisemblance 19.178 6 0.004
Association linaire p. linaire 8.979 1 0.003
Nb dobservations valides 342
Rgion 5 Khi-deux de Pearson 15.539 6 0.016
Rapport de vraisemblance 15.833 6 0.015
Association linaire p. linaire 4.266 1 0.039
Nb dobservations valides 331
Raliser une analyse spcifique laide de tableaux croiss
La liste dindicateurs relatifs au fichier adulte (F2) ci-dessous peut tre utilise pour
identifier les diffrences significatives entre les clients et non-clients laide de tableaux
croiss :
Principale activit des adultes du mnage
Niveau dducation des adultes du mnage
Situation matrimoniale du chef de mnage
Pour chaque indicateur, lanalyse peut galement tre ritre au niveau des rgions. Si
des diffrences significatives sont observes entre lactivit et le niveau dducation, la
source probable de ces diffrences doit faire lobjet dune interprtation.
104
Test t de comparaison de moyennes
Comment le test t est -il appliqu ?
Pour la plupart des indicateurs socioconomiques examins par cet outil dvaluation, le
nombre de valeurs possibles pour une variable donne sera trop important pour pouvoir
recourir un tableau crois. Cest particulirement vrai pour les variables dchelle
(dintervalle ou proportionnelle). Lun des moyens didentifier les diffrences
significatives entre clients et non-clients dune IMF sur des donnes dchelle consiste
comparer les moyennes dune variable donne pour les deux groupes diffrents.
Les diffrences de moyenne entre les deux groupes et les carts la moyenne lintrieur
de chaque groupe sont utiliss pour dterminer une valeur t. Cette valeur peut tre
compare ce quon appelle la valeur t critique . Si la valeur t est suprieure la
valeur t critique, les groupes peuvent tre considrs comme diffrents. A linverse, si la
valeur t calcule est infrieure la valeur t critique, on peut en conclure quil nexiste
aucune diffrence entre les deux groupes concernant la variable en question. Si la valeur t
relle est suprieure la valeur t critique, le niveau de signification est alors de 0,05 ou
moins.
Procdure SPSS pour la ralisation dun test t de comparaison des moyennes
Pour lancer un test t, cliquer sur Comparer les moyennes dans le menu Analyse, puis
sur Test T pour chantillons indpendants. Cela ouvre la bote de dialogue Test T
pour chantillons indpendants (figure 8.4), dans laquelle lutilisateur peut slectionner
des variables dchelle comme variables test. La variable de groupement statut
client/non-client dtermine comment diffrencier les deux groupes dobservations.
Slectionner le statut de lenqut comme variable de groupement unique, puis cliquer
sur Dfinir les groupes pour spcifier les deux codes des groupes comparer.
Sassurer que les codes utiliss correspondent bien ceux qui ont t saisis dans le fichier
de donnes.
105
Figure 8.4 Bote de dialogue SPSS Test t pour chantillons indpendants
Les tableaux 8.4 et 8.5 montrent les rsultats de la comparaison de la moyenne des deux
chantillons indpendants. Le premier tableau indique le nombre dobservations de
chaque sous-catgorie utilis dans le calcul. La colonne situe au milieu montre les
moyennes calcules pour chaque groupe (clients et non-clients), ainsi que lcart type
associ chacun. Le tableau renseigne sur la proportion des adultes du mnage sachant
crire, en fonction du statut. Comme le code utilis est 0 pour non et 1 pour
oui , la moyenne peut facilement tre traduite en pourcentage. Quatre-vingt-quinze
pour cent des adultes des mnages clients savent crire, contre quatre-vingt-douze dans le
cas des mnages non-clients.
Tableau 8.4 Exemple de tableau de rsultat SPSS de test t
pour chantillons indpendants
N Moyen-
ne
Ecart-type Erreur standard
moyenne
Adultes sachant crire
Clients de lIMF 713 0.95 0.22 8.42E-03
Non-clients 963 0.92 0.27 8.80E-03
Pour dterminer si la diffrence ente les moyennes est significative, il faut examiner le
deuxime tableau de rsultat (tableau 8.5). Dabord, le tableau indique si les variances
entre les deux groupes peuvent tre considres comme gales (test de Levene). Si le
niveau de signification est infrieur 0,05, la valeur t calcule est celle indique sur la
ligne des variances gales.
Dans cet exemple, la valeur t calcule est de 2,2 et la signification de cette valeur est de
0,03, ce qui signifie que la valeur t calcule est significativement suprieure la valeur t
critique. On peut conclure sur la base de ce rsultat que les mnages clients de lIMF
comptent un nombre dadultes sachant crire significativement suprieur celui des
mnages non-clients.
NBECRIR
106
Tableau 8.5 Exemple de test t pour chantillons indpendants
Test de Levene sur
lgalit des variances
Test t pour galit des moyennes
F Sig. t ddl
Sig.
(bilatrale)
Diffrence
moyenne
Diffrence
cart -type
Adultes sachant crire
Hypothse de variances gales 19.96 0.000 2.211 1674 0.027 2.77E-02 1.25E-02
Hypothse de variances ingales 2.275 0.023 2.77E-02 1.25E-02
Raliser une analyse spcifique laide du test t de comparaison des moyennes
Les rsultats du test t des moyennes portant sur des donnes dchelle peuvent tre
rsums dans un fichier de rsultat SPSS. En outre, il est possible de prparer une fiche
descriptive rsume indiquant les diffrences significatives entre clients et non-clients
identifies par lanalyse des variables numres ci-dessous. A laide des techniques de
tableau crois et de test t expliques dans ce chapitre, le fichier de donnes des mnages
(F1) peut tre complt avec les variables suivantes :
Taille de la famille
Nombre denfants
Pourcentage de mnages dont le chef est une femme
Superficie moyenne des terres dtenues
Valeur moyenne des terres dtenues
Le fichier de donnes relatif aux adultes peut tre complt par une variable indiquant le
pourcentage dadultes sachant crire, et le fichier relatif aux enfants (F3) avec une
variable indiquant lge moyen des enfants.
Rsum
Dans ce chapitre, nous avons concentr lanalyse sur la manire didentifier des
diffrences entre clients et non-clients sur la base dun certain nombre dindicateurs
socioconomiques. Lorsque lon trouve des diffrences significatives entre les deux
groupes, cela peut signifier que les critres de slection de lIMF induisent des
diffrences entre les groupes qui ne sont pas directement lies leur niveau de pauvret,
mais qui peuvent influer sur ce niveau. Ces diffrences doivent tre notes lors de
linterprtation de la mesure du niveau de pauvret relatif des mnages. Cette mesure est
traite dans le chapitre 9.
98
CHAPITRE 9
CREER UN INDICE DE PAUVRETE
Cet outil dvaluation de la pauvret repose sur le principe suivant : lintrieur de la
srie dindicateurs de pauvret collects par les techniques denqute se trouve un sous-
ensemble dindicateurs mesurant diffrents aspects de la pauvret relative du mnage. La
combinaison dindicateurs la plus approprie pour mesurer le niveau de pauvret relatif
diffre dun contexte donn un autre, souvent de manire assez facile prvoir.
Dans les pays dextrme pauvret, les indicateurs signalant des famines chroniques
tendent diffrencier la pauvret relative des mnages. Dans les pays forte densit de
population, la proprit de terres et dune habitation peut tre un meilleur indicateur de la
pauvret relative. Les diffrences culturelles influencent galement certains types
dindicateurs.
Dvelopper une mesure objective de la pauvret ncessite dabord didentifier les
indicateurs individuels les plus dterminants pour distinguer les niveaux de pauvret
relative puis dintgrer leur valeur au sein dun mme indice. Ce chapitre guide les
utilisateurs dans la ralisation dune analyse des donnes visant : (i) dterminer quels
indicateurs correspondent aux mesures les plus pertinentes de la pauvret relative pour les
mnages interrogs, (ii) crer une liste classe de ces variables sur la base de leur
corrlation avec lindicateur de pauvret de rfrence le montant des dpenses
vestimentaires par personne et (iii) appliquer ces indicateurs de manire systmatique
pour calculer lindice de pauvret du mnage.
Procdures statistiques permettant de trier les indicateurs de pauvret
Coefficient de corrlation linaire
La procdure de corrlation linaire est le premier moyen de trier les indicateurs de
pauvret pour dterminer quelles variables paraissent les plus appropries pour identifier
les diffrences dans le niveau de pauvret relative des mnages. Tester le niveau et le
sens de corrlation dune srie de variables ordinales et dchelle avec lindicateur de
pauvret de rfrence (DEPVETPP) - montant des dpenses vestimentaires par personne
constitue le premier moyen de dterminer la force des indicateurs.
Le coefficient de corrlation linaire est une procdure statistique utilise pour mesurer le
degr de relation entre deux variables. Le coefficient de corrlation permet de dterminer
le niveau et le sens de la relation entre les deux variables. Cette technique nimpose pas
99
que les units utilises pour chaque variable soient les mmes. La valeur du coefficient de
corrlation schelonne entre 1,00 et +1,00 ; le signe et la valeur renseignent sur la faon
dont les deux variables sont lies. Un coefficient gal 1, ou proche de 1, indique que
les variables sont inversement proportionnelles, c'est--dire que lorsque lune est leve,
lautre est faible.
Le niveau dducation par exemple peut tre inversement proportionnel la
consommation daliments infrieurs : un niveau dducation plus lev permet souvent
un revenu plus lev ce qui son tour permet une alimentation de meilleure qualit. Un
coefficient proche de 1 indique une relation forte entre les deux variables. Par exemple, le
nombre de membres dun mnage est fortement proportionnel au nombre de pices de la
maison. Une valeur gale 0, ou proche de 0, indique quaucune relation forte nexiste
entre les variables.
Linterprtation des rsultats se fonde sur la thorie de la probabilit. Cette thorie
dtermine selon quel niveau de signification les diffrences observes entre les groupes
chantillons peuvent tre appliques lensemble de la population dtude. Dans loutil
dvaluation de la pauvret, le niveau de signification est fix 0,05, ou moins, ce qui
signifie quun minimum de 95 pour cent est utilis pour accepter ou rejeter lhypothse
que le lien entre deux variables est alatoire. Si le niveau de signification savre
infrieur 0,05, la corrlation entre les deux variables est considre comme forte ; si le
niveau de signification est infrieur 0,01, la corrlation est considre comme trs forte.
Utilisation de SPSS pour mesurer la corrlation linaire
Les tableaux de corrlation sont crs sous SPSS en slectionnant Corrlation dans le
menu Analyse, puis Bivarie comme type de corrlation. La bote de dialogue
Corrlations bivaries (figure 9.1) souvre. Slectionner les variables ordinales ou
dchelle dans la liste gauche et les faire passer dans la colonne de droite en cliquant sur
la flche.
Au bas de la bote de dialogue, cocher Pearson comme type de coefficient de
corrlation, et slectionner Bilatral comme type de test de signification. Choisir
DEPVETPP, ou dpenses vestimentaires par personne, comme premire variable dans la
case Variables . Ajouter dautres variables lies aux indicateurs recenss dans
lencadr 9.1 en groupes de six huit maximum.
Interprter un tableau de corrlation SPSS
Les tableaux de corrlation crs par SPSS sont affichs dans la fentre Editeur de
rsultats sous la forme dune matrice. Si la variable DEPVETPP est en haut de la liste
de la bote de dialogue Corrlations bivaries , la premire colonne du tableau de
rsultats montrera les niveaux de corrlation entre DEPVETPP et toutes les autres
variables incluses dans la procdure.
100
Figure 9.1 Bote de dialogue SPSS Corrlations bivaries
Le tableau 9.1 est un exemple de tableau de rsultat de corrlation. Les rsultats montrent
que sur les trois variables corrles avec le montant des dpenses vestimentaires par
personne (en gris), seules les deux premires rvlent une corrlation significative. Il
sagit du nombre de jours o de la viande a t servie et du nombre de jours o du riz a
t servi. Le niveau de signification est infrieur dans les deux cas p = 0,01, ce qui
permet daffirmer 99 pour cent que la corrlation nest pas alatoire.
Bien que le coefficient de corrlation concernant le nombre de jours o du riz a t servi
soit de 0,179, noter que la corrlation est quand mme considre comme fortement
significative. La variable nombre de jours de consommation daliments infrieurs est
ngativement corrle avec les dpenses, comme ctait prvisible, mais le niveau de
signification (0,376) indique quil ny a pas de corrlation entre les dpenses
vestimentaires par personne et la consommation daliments infrieurs.
Sur la base des rsultats apparaissant dans le tableau 9.1, les deux variables concernant le
nombre de jours o de la viande et du riz ont t servis peuvent tre ajoutes la liste
slectionne dindicateurs mesurant des aspects de la pauvret. Pour achever le processus
de tri, toutes les autres variables numres dans lencadr 9.1 sont corrles avec la
variable DEPVETPP et celles dmontrant un niveau significatif de corrlation ajoutes
la liste trie des indicateurs de pauvret.
Lorsque lon est en prsence dune base de donnes importante, comme dans le cas de
cette mthodologie, mme les petits coefficients de corrlation peuvent signaler un lien
entre les deux variables. Pour le vrifier, contrler que le lien est significatif (niveau de
signification infrieur 0,01).
101
Slectionner des variables pour le test de corrlation
La procdure de corrlation doit toujours tre dfinie de faon ce que lindicateur de
rfrence, les dpenses vestimentaires par personne, soit la premire variable de la liste
dans la bote de dialogue Corrlation bivarie (figure 9.1). Pour que les tableaux de
rsultat gardent une taille raisonnable, crer des tableaux de corrlation distincts pour
chaque groupe dindicateurs numrs dans lencadr 9.1. En conservant toujours la
variable DEPVETPP en tte de liste, la premire colonne du tableau de rsultat indiquera
toujours les coefficients de corrlation entre lindicateur de pauvret de rfrence et tous
les autres indicateurs.
Encadr 9.1 Variables ordinales et dchelle
Ressources humaines (section B du questionnaire)
ge moyen des adultes du mnage
pourcentage dadultes sachant crire
pourcentage dadultes ayant atteint un certain niveau dducation
pourcentage dadultes ayant une activit spcifique
nombre denfants
taille de la famille
ratio de dpendance enfants/adultes
ratio de dpendance inactifs/actifs
dpenses vestimentaires par personne
Scurit alimentaire et vulnrabilit (section C du questionnaire)
nombre de repas pris au cours des 2 derniers jours
nombre de jours o laliment de luxe 1 a t servi
nombre de jours o laliment de luxe 2 a t servi
nombre de jours o laliment de luxe 3 a t servi
nombre de jours o un aliment de qualit infrieure a t servi
nombre de jours avec nourriture insuffisante au cours du mois pass
nombre de mois avec nourriture insuffisante au cours de lanne
passe
semaines de stock de produits de base
frquence dachat, produit de base 1
frquence dachat, produit de base 2
frquence dachat, produit de base 3
Habitat (section D du questionnaire)
nombre de pices par personne
tat de la structure de lhabitation
qualit des latrines
qualit de leau potable
qualit des murs de lhabitation
qualit du toit
qualit des sols
niveau dutilisation de llectricit
qualit du combustible
Actifs (section E du questionnaire)
valeur des appareils mnagers et lectriques
102
valeur des matriels de transport
valeur des terres dtenues (irrigues et non irrigues)
superficie des terres dtenues
valeur des animaux
valeur des actifs par personne (ou par adulte)
Tableau 9.1 Exemple de tableau de rsultat de corrlation
Variable
Type de
corrlation
Dpenses
vestimen-
taires par
personne
Nombre de
jours riz
Nombre de
jours viande
Nombre de
jours aliment
qualit
infrieure
Dpenses vestimentaires
par personne
Corrlation de
Pearson 1.000 0.179
0.439 0.040
Sig. (bilatrale) 0.000* 0.000* 0.376
N 500 499 499 495
Nombre de jours avec riz
servi au cours des 7
derniers jours
Corrlation de
Pearson
0.179 1.000
0.328 0.129
Sig. (bilatrale) 0.000* . 0.000* 0.004*
N 499 499 499 495
Nombre de jours avec
viande servie au cours
des 7 derniers jours
Corrlation de
Pearson
0.439 0.328
1.000 0.144
Sig. (bilatrale) 0.000* 0.000* 0 0.001*
N 499 499 499 495
Nombre de jours avec
aliment de q. infrieure
servi au cours des 7
derniers jours
Corrlation de
Pearson
0.040 0.129
0.144 1.000
Sig. (bilatrale) 0.376 0.004* 0.001* .
N 495 495 495 495
* La corrlation est significative au niveau 0.01 (bilatral).
Les rsultats de lanalyse peuvent tre rsums dans un tableau numrant tous les
indicateurs tests, tris en fonction de la force de la corrlation mesure, et indiquant le
nombre dobservations avec valeurs manquantes. Un exemple de ce type de tableau est
donn ci-dessous (tableau 9.2). Les indicateurs ayant dmontr le niveau de signification
le plus lev (p<0.01) seraient en tte de liste, tandis que ceux ayant rvl des niveaux
de corrlation non significatifs (p>0.05) seraient exclus de la liste.
Il est important de noter le signe du coefficient de corrlation, qui indique si la relation
est ngative ou positive. Ce mme tableau sera utilis lors de lestimation de lindice de
pauvret.
103
Tableau 9.2 Modle des indicateurs tris par niveau
de corrlation avec lindicateur de pauvret de rfrence
Indicateur
Niveau de
signification
Valeur et signe du
coefficient de
corrlation
Nombre
dobservations avec
valeurs manquantes
1.
2.
3.
Estimer un indice de pauvret laide de lanalyse en composantes
principales
Cet outil dvaluation permet de dvelopper un indice de pauvret relative en appliquant
la mthode de lanalyse en composantes principales (ACP). La mthode de lACP est
utilise pour dterminer comment linformation des diffrents indicateurs peut tre
efficacement combine pour mesurer le niveau de pauvret relative dun mnage. Le
produit final de lACP est un indice unique de pauvret relative qui attribue chaque
mnage de lchantillon une valeur spcifique, appele un facteur, reprsentant le niveau
de pauvret du mnage par rapport tous les autres mnages de lchantillon. Lanalyste
cre lindice partir de la combinaison de plusieurs indicateurs significativement corrls
entre eux sur la base de composantes de pauvret sous-jacentes communes.
LACP est utilise pour identifier (ou extraire) les composantes sous-jacentes dun
groupe dindicateurs pouvant expliquer au moins en partie pourquoi les valeurs de
lindicateur diffrent dun mnage lautre de la manire observe. Chaque composante
est cense enregistrer un attribut unique commun tous les mnages de lchantillon.
Lune des raisons pour lesquelles les mnages rpondent diffremment aux questions
associes aux indicateurs est leur niveau de pauvret relative.
Si les indicateurs sont lis de plusieurs manires, alors plusieurs composantes sous-
jacentes seront cres. Cependant, une seule mesurera le niveau de pauvret relative. Les
indicateurs peuvent aussi tre lis entre eux du fait du contexte rural ou urbain des
mnages ou de conditions rgionales spcifiques. Dautres composantes sous-jacentes
peuvent mesurer des aspects lis aux similarits entre les mnages en terme dducation,
dactivit ou de pratiques culturelles.
Gnralement, chaque composante extraite mesure un attribut unique commun aux
mnages enquts. Le nombre de composantes pouvant tre extraites augmente avec
le nombre dindicateurs inclus dans lanalyse. La figure 9.2 montre comment les
composantes sont lies aux variables de lindicateur utilises pour les dcrire.
104
Lutilisation de lanalyse en composantes principales dans le cadre de lvaluation du
niveau de pauvret a pour principal objectif dextraire la composante de pauvret
pouvant tre utilise pour calculer un indice de pauvret relative spcifique aux mnages.
Cest pourquoi lapplication de lACP utilise en premier lieu les indicateurs qui
dmontrent dj une forte corrlation avec lindicateur de pauvret de rfrence, les
dpenses vestimentaires par personne.
Filtrer les indicateurs de cette manire permet de garantir la slection dune composante
de pauvret solide offrant la meilleure relation avec les indicateurs dont lanalyste
pense quils mesurent le mieux le degr de pauvret relative.
Figure 9.2 Indicateurs et composantes sous -jacentes
Outils statistiques utiliss pour crer un indice de pauvret
Les tapes de cration dun indice de pauvret laide de la mthode ACP sont les
suivantes :
1. Slectionner un groupe de variables fortement corrles avec lindicateur de
pauvret de rfrence.
2. Lancer un modle test et interprter les rsultats.
3. Rviser le modle sur la base des rsultats du premier test jusqu ce que les
rsultats rpondent aux critres de performance.
4. A partir du modle finalis, sauvegarder les facteurs de la composante de
pauvret en tant que variable de lindice de pauvret.
Etape 1 : Slectionner un groupe dindicateurs
Avant dappliquer la mthode ACP aux donnes, les indicateurs de pauvret sont soumis
une srie de slections pour sassurer que lindice final ne constituera pas une mesure
Indicateurs
ressources
humaines
Indicateurs
habitat
Indicateurs
actifs
Indicateurs
alimenta-
tion
Autres
indicateurs
Pauvret
Caractristiques
dmographiques
Composantes :
Indicateurs :
105
fausse du niveau de pauvret. Une liste de tous les indicateurs corrls avec lindicateur
de pauvret de rfrence a t cre dans la premire section de ce chapitre.
La liste rduite dindicateurs prsente dans lencadr 9.1 constitue lensemble des
indicateurs issus de la premire slection en vue de lanalyse en composantes principales.
Ces variables sont toutes ordinales ou dchelle, condition requise pour lACP. Examiner
la liste pour identifier les variables caractrises par plus de 25 valeurs manquantes et
veiller utiliser celles-ci le moins possible. Ajouter la variable DEPVETPP la liste. Elle
est maintenant traite comme toutes les autres variables pour lanalyse en composantes
principales.
Pour affiner la slection des variables destines au modle danalyse en composantes
principales, on applique les deux actions suivantes :
Limiter le nombre dindicateurs utiliss. Limiter le nombre de variables permet de
rduire la complexit du calcul des composantes. Pour cela, on peut trier les variables
lies qui mesurent le mme phnomne et ne retenir que la plus forte pour le modle
ACP.
Par exemple, si les trois aliments de luxe sont fortement corrls avec les dpenses
vestimentaires par personne, on nen choisit quun ou deux. Il est recommand dutiliser
au moins 10 variables mais pas plus de 20 pour la cration de lindice de pauvret.
Equilibrer les indicateurs pour reflter les diffrentes dimensions de la pauvret. Il
est possible dinclure plusieurs indicateurs mesurant des aspects similaires de la pauvret
dans le modle danalyse en composantes principales ; cependant, une concentration trop
forte dindicateurs similaires risque de fausser lindice de pauvret rsultant du fait de la
surreprsentation dun aspect donn de la pauvret. Pour viter ce biais, slectionner
plusieurs indicateurs de chaque section du questionnaire.
Etape 2 : Lancer un modle test et interprter les rsultats
Il existe plusieurs techniques permettant dextraire les composantes dune srie
dindicateurs, cependant une seule lanalyse en composantes principales - est
approprie pour la mthodologie dvaluation de la pauvret utilise ici. Dans lanalyse
en composantes principales, chaque composante sous-jacente calcule reprsente une
combinaison linaire des variables des indicateurs utilises dans le modle.
La premire composante est la combinaison correspondant la valeur de la variance de
lchantillon la plus leve. La seconde composante correspond la deuxime valeur la
plus leve de la variance et nest pas corrle avec la premire. Les composantes
suivantes reprsentent progressivement une proportion de plus en plus petite de la
variance totale de lchantillon. Les composantes ne sont pas corrles entre elles. Du fait
de cette caractristique, une seule peut tre considre comme mesurant la pauvret
relative.
106
Utiliser SPSS pour gnrer un modle danalyse en composantes principales. Vous
tes maintenant prt gnrer un premier modle dACP. A partir du menu Analyse,
slectionner Factorisation, puis Analyse factorielle. La bote de dialogue Analyse
factorielle (figure 9.3) souvre. Slectionner 6 10 indicateurs sur la liste des variables
de lencadr 9.1 qui dmontrent le degr de corrlation le plus fort avec lindicateur de
rfrence. Faire dfiler la liste des variables gauche et slectionner les indicateurs les
mieux corrls aux dpenses vestimentaires. Les faire passer dans la case de droite
laide de la flche la plus haute.
Une fois les variables slectionnes, slectionner dans la liste lindicateur qui distingue
les clients de lIMF des non-clients. Cliquer sur la flche basse pour transfrer cet
indicateur dans la case Variable de filtrage . Cliquer sur Valeur pour choisir la
valeur reprsentant les mnages non-clients (dsigns par 0 dans le questionnaire).
Cela permet de rduire le modle initial en nincluant que les 300 mnages non-clients.
Lchantillon de non-clients reprsente la population gnrale ; cest un groupe plus
appropri pour crer le modle initial.
Figure 9.3 Bote de dialogue SPSS Analyse factorielle
Cliquer sur Caractristiques pour ouvrir la bote de dialogue illustre par la figure 9.4.
Dans cette bote de dialogue, cocher la case Structure initiale en haut gauche et
Indice KMO et test de Bartlett en bas. Cliquer sur Poursuivre pour retourner la
bote de dialogue principale Analyse factorielle . Dans cette bote de dialogue, cliquer
sur Extraction pour ouvrir la bote de dialogue de la figure 9.5. Dfinir la mthode
dextraction ACP en slectionnant Composantes principales dans la liste droulante
Mthode . Sous Analyser , cocher la case Matrice de corrlation . Sous
Afficher , cocher la case Structure factorielle sans rotation .
Noter que dans la partie infrieure de la bote de dialogue, il est possible de modifier la
valeur propre minimale ou de limiter le nombre de facteurs extraire. Slectionner la
107
valeur propre minimum de 1 (valeur par dfaut). Cette valeur sera utilise au moment
de la sauvegarde des rsultats finaux du modle. Cliquer sur Poursuivre pour
retourner la bote de dialogue principale Analyse factorielle .
108
Figure 9.4 Bote de dialogue SPSS
Analyse factorielle : Caractristiques
Figure 9.5 Bote de dialogue SPSS
Analyse factorielle : Extraction
Au bas de la bote de dialogue Analyse factorielle , cliquer sur Rotation . Dans la
bote de dialogue qui souvre alors, cocher la case aucune sous Mthode . Cliquer
sur Poursuivre pour retourner la bote de dialogue Analyse factorielle .
Enfin, en bas droite de la bote de dialogue (figure 9.3), cliquer sur Options . Dans la
bote de dialogue qui souvre, sous Valeurs manquantes , slectionner Remplacer
par la moyenne . Dans la section en bas de lcran, noter les options permettant de
classer les variables par taille et de choisir une valeur minimale daffichage lcran. Ces
options peuvent tre utilises ultrieurement au moment daffiner le modle. Cliquer sur
Poursuivre pour retourner la bote de dialogue Analyse factorielle .
109
Etape 3 : Rviser le modle jusqu ce que les rsultats rpondent aux critres de
performance
Lanalyse en composantes principales noffre pas un moyen simple de gnrer un modle
immdiatement appropri pour dterminer un indice de pauvret. Lapproche requiert
plusieurs essais, la correction derreurs et un examen minutieux continu des variables
pour dterminer quelle combinaison produit les rsultats les plus logiques. La premire
stratgie consiste slectionner systmatiquement la liste des variables pouvant tre
utilises dans le modle sans compromettre le pouvoir explicatif de lindice de pauvret.
Le point de dpart de cette slection est la matrice des composantes, dcrite dans la
section suivante. Outre la matrice des composantes, plusieurs autres techniques peuvent
tre utilises pour dterminer comment amliorer le modle danalyse en composantes
principales produisant lindice de pauvret.
La matrice des composantes. Le produit initial du modle dACP comprend quatre
tableaux : la matrice des composantes, la qualit de reprsentation, la variance explique
totale et lindice de KMO et test de Bartlett. Chacun deux peut tre utilis pour
interprter les rsultats et affiner le modle. Cependant, la matrice des composantes (voir
lexemple du tableau 9.3) est le rsultat le plus intressant pour dterminer la composition
de lindice de pauvret. Si les rsultats prsents dans les autres tableaux peuvent signaler
la ncessit de certains changements, les rsultats de la matrice des composantes
indiquent quant eux quels sont les changements apporter.
Pour valuer la capacit du modle dACP crer lindice de pauvret, il faut valuer les
coefficients de chaque composante, appels poids . Lanalyse de ces coefficients est
en effet le dterminant le plus important pour la cration de lindice de pauvret. Les
poids des composantes reprsentent le niveau de corrlation entre la variable de la
composante et la variable de lindicateur. Pour vrifier que le modle danalyse en
composantes principales est correctement spcifi, effectuer les vrifications suivantes :
1. Vrifier le montant de la valeur absolue des poids pour chaque indicateur.
Celui-ci indique le degr de corrlation entre la composante et lindicateur.
Des valeurs absolues leves indiquent un degr de corrlation lev,
linverse des valeurs faibles indiquent un faible degr de corrlation. Pour tre
considre comme significative au niveau 0.01 dans un chantillon de 300
units, la valeur du coefficient doit tre au moins de 0.180 (selon la formule
de Burt-Banks), mais de prfrence suprieure 0.300.
2. Vrifier que le signe de chaque poids des composantes est bien celui attendu
pour chaque indicateur du modle. Les coefficients positifs indiquent une
relation directe entre lindicateur et le niveau de richesse relative du mnage.
Lorsque les valeurs dun indicateur augmentent, il en va de mme de la valeur
de la composante, qui dans ce cas reprsente le niveau de richesse relative du
mnage. Les coefficients ngatifs indiquent une relation inverse entre
lindicateur et le niveau de richesse relative du mnage. Le tableau 9.3 montre
les poids des composantes dun modle danalyse en composantes principales
110
utilis pour calculer un indice de pauvret. Comme on peut lobserver, deux
composantes ont t calcules partir des indicateurs.
Tableau 9.3 Exemple de matrice des composantes sous SPSS
Variable
Poids des composantes
1 2
Nombre de jours avec bl servi au cours des 7 derniers jours 0,729 0,109
Nombre de jours avec viande servie au cours des 7 derniers jours 0,772 3,002E-02
Revenu mensuel extra dpens en nourriture 0,539 0,649
Le mnage a eu suffisamment de nourriture au cours du dernier
mois
0,512 0,339
Source de combustible du mnage 0,462 0,497
Utilisation de llectricit par le mnage 0,624 0,342
Qualit des latrines 0,560 0,118
Pourcentage dadultes sachant crire 0,471 0,655
Pourcentage dadultes ayant achev leurs tudes secondaires 0,612 8,014E-02
Dpenses vestimentaires par personne 0,713 0,128
Valeur des actifs par personne 0,464 0,244
Valeur des postes de radio dtenus par le mnage 0,612 0,131
Valeur agrge des appareils mnagers et lectriques 0,654 0,122
Note : la mthode dextraction utilise est lanalyse en composantes principales
Dans lexemple ci-dessus, la valeur absolue de tous les poids de la premire composante
indique que tous peuvent tre considrs comme des indicateurs significatifs. Le signe
des coefficients correspond aussi aux caractristiques attendues de la pauvret relative.
La seconde composante de ce modle mesure un autre aspect commun aux mnages et
peut suggrer une relation davantage lie aux mnages ruraux. Elle ne semble pas
mesurer la variance lie la pauvret relative de manire cohrente, car pour certaines
variables le signe des coefficients nest pas pertinent, leur montant nest pas significatif et
les rsultats ne semblent pas cohrents dune variable lautre.
Lanalyste peut amliorer le pouvoir explicatif du modle en cartant les variables dont le
poids relatif la composante de pauvret est faible, car celles-ci namliorent pas le
pouvoir explicatif de lindice, et en ajoutant dautres variables de lencadr 9.1 pour voir
si ces ajouts amliorent ou affaiblissent les rsultats du modle.
Le tableau 9.4 montre une deuxime matrice des composantes, faisant apparatre
quelques indicateurs qui semblent peu contribuer la qualit du modle. Les indicateurs
nombre de jours avec aliment de qualit infrieure servi et nombre de taureaux et
vaches ont des coefficients bien plus faibles que les autres indicateurs du modle, bien
que le signe des coefficients soit conforme la relation attendue entre ces indicateurs et
le niveau de richesse du mnage (ces deux indicateurs ntaient pas significativement
corrls avec lindicateur de pauvret de rfrence et ne sont inclus ici qu titre
dillustration).
111
Le modle du tableau 9.4 pourrait tre amlior en supprimant ces deux indicateurs et en
restimant les coefficients des indicateurs restants. Lorsque des variables faibles sont
supprimes du modle, les coefficients des variables restantes augmentent souvent et le
nombre de composantes extraites diminue.
Tableau 9.4 Exemple de matrice des composantes SPSS avec variables supplmentaires
Composante 1 2 3
Nombre de jours avec bl servi au cours des 7
derniers jours
0,698 -0,293 -9,075E-02
Nombre de jours avec riz servi au cours des 7
derniers jours
0,476 -0,435 -6,430E-02
Nombre de jours avec viande servie au cours des 7
derniers jours
0,720 -0,151 -8,171E-02
Nombre de jours avec aliment de q. infrieure servi
au cours des 7 derniers jours
-0,256 0,232 0,643
Qualit des murs de lhabitation 0,406 8,688E-02 0,393
Utilisation de llectricit par le mnage 0,563 -6,438E-02 0,280
Dpenses vestimentaires par personne 0,629 4,306E-02 0,153
Valeur des actifs par personne 0,454 0,510 -0,300
Pourcentage dadultes ayant achev leurs tudes
secondaires
0,565 -9,476E-02 0,228
Valeur des appareils mnagers et lectriques 0,660 0,357 1,027E-02
Valeur des postes de radio dtenus par le mnage 0,565 0,237 -3,203E-03
Nombre de jours avec nourriture suffisante au cours
du dernier mois
0,402 -0,464 -0,353
Qualit des latrines 0,592 0,196 0,203
Nombre de taureaux et vaches 0,142 0,533 -0,508
Note : la mthode dextraction utilise est lanalyse en composantes principales ; trois
composantes extraites
Mme lanalyste le plus chevronn aura besoin de tester de nombreuses combinaisons de
variables afin de dterminer la combinaison la plus pertinente pour expliquer la
composante de pauvret sous-jacente. Lanalyse des rsultats peut tre renouvele
chaque modification, jusqu ce que le modle gnr semble le plus appropri aux
donnes dtude. Idalement, la version finale mesurera plusieurs dimensions de la
pauvret (par exemple scurit alimentaire, ressources humaines et accumulation
dactifs). La mesure globale ne doit pas tre constitue dun seul groupe de mesures.
Normalement, le modle dfinitif ne doit pas contenir plus de 20 indicateurs.
Variance explique totale. Le tableau de rsultats SPSS Variance explique totale
prsente les valeurs propres calcules pour chaque composante (voir tableau 9.5). La
taille de la valeur propre indique le niveau de la variance dans lanalyse en composantes
principales explique par composante. Plus la valeur propre est leve, plus la
composante est explique par les indicateurs du modle. Dans le tableau 9.5, la
112
deuxime colonne partir de la gauche montre les valeurs propres calcules pour chaque
composante.
Si le modle a t soigneusement affin pour ne conserver que des indicateurs de
pauvret, la premire composante est susceptible dexpliquer la variance associe la
pauvret. Comme les variables sont systmatiquement ajoutes ou supprimes, les
valeurs propres et le niveau de variance associ expliqu par la composante de pauvret
peuvent guider lanalyste pour affiner le modle. Lorsque des variables sont supprimes,
la valeur propre de la composante de lindice de pauvret change, ainsi que le
pourcentage de la variance totale expliqu par la composante. Un changement de la part
de la variance explique peut indiquer si lajout ou la suppression dune variable a
amlior ou rduit le pouvoir explicatif de lindice de pauvret.
Tableau 9.5 Exemple de tableau SPSS de variance explique totale
Valeurs propres initiales Sommes des carrs charges
Compo-
sante
Total
% de la
variance
% cumuls
Total
% de la
variance
% cumuls
1 4,128 37,530 37,530 4,128 37,530 37,530
2 1,395 12,681 50,210 1,395 12,681 50,210
3 0,891 8,101 58,311
4 0,830 7,541 65,853
5 0,715 6,505 72,357
6 0,704 6,396 78,753
7 0,614 5,581 84,334
8 0,505 4,588 88,923
9 0,457 4,152 93,075
10 0,406 3,687 96,762
11 0,356 3,238 100,000
Note : la mthode dextraction utilise est lanalyse en composantes principales.
En rgle gnrale, une valeur propre minimum de 1 est ncessaire pour considrer la
composante comme reprsentative dune dimension sous-jacente commune. Dans le
tableau 9.5, seules les deux premires composantes indiquent quune dimension
commune est mesure. La premire composante (dans ce cas, lindice de pauvret)
explique 37,5 pour cent de la variance totale ; la deuxime 12,7 pour cent. Gnralement,
du fait que le modle a t affin pour crer une mesure de la pauvret relative, il est
raisonnable de sattendre ce que lindicateur de pauvret explique la plus grande partie
de la variance.
Qualit de reprsentation. Un autre moyen de tester la pertinence du modle consiste
examiner la qualit de reprsentation du modle. Les valeurs rapportes dans la colonne
Extraction du tableau 9.6, ou communalits , renseignent sur le degr de corrlation
linaire entre les variables et les composantes. Statistiquement, elles reprsentent la
mme mesure que R
2
dans une analyse de rgression. La valeur des communalits se
113
situe entre 0 et 1, les nombres les plus levs indiquant que les composantes extraites
expliquent une plus grande part de la variance commune.
Les communalits indiquent dans quelle mesure les indicateurs se combinent pour
identifier les diffrentes composantes. Etant donn que nous ne sommes intresss que
par une des composantes, les communalits nindiquent pas elles seules la pertinence de
la variable pour le modle de gnration de lindice de pauvret. Amliorer les valeurs
des communalits namliorera pas la composante de lindice de pauvret si les variables
ajoutes sont fortement corrles avec des composantes autres que la pauvret.
Certaines variables peuvent cont ribuer au pouvoir explicatif dun facteur de pauvret,
mais ne pas expliquer les variances exprimes par dautres facteurs communs. Par
consquent, les variables peuvent avoir de faibles coefficients mais tre tout de mme
pertinentes pour la cration dune composante de pauvret. En gnral, cependant, les
communalits proches de 0 (infrieures 0,1) signalent que la variable en question peut
tre exclue lors des essais suivants. Le tableau 9.6 est un exemple de tableau de qualit de
reprsentation.
Tableau 9.6 Exemple de tableau SPSS de qualit de reprsentation
Variable Initial Extraction
Nombre de jours avec bl servi au cours des 7 derniers j. 1,000 0,543
Nombre de jours avec viande servie au c. des 7 derniers j. 1,000 0,597
Revenu mensuel extra dpens en nourriture 1,000 0,524
Le mnage a eu suffisamment de nourriture au cours du
dernier mois
1,000 0,377
Source de combustible du mnage 1,000 0,461
Utilisation de llectricit par le mnage 1,000 0,506
Valeur agrge des appareils mnagers et lectriques 1,000 0,443
Valeur des postes de radio 1,000 0,415
Pourcentage dadultes ayant achev leurs tudes
secondaires
1,000 0,381
Pourcentage dadultes sachant crire 1,000 0,652
Dpenses vestimentaires par personne 1,000 0,713
Taille de la famille 1,000 2,82E-02
Matriau de construction des murs 1,000 0,198
Note : la mthode dextraction utilise est lanalyse en composantes principales.
Le tableau montre que les communalits schelonnant entre 0,198 et 0,713 peuvent tre
considres comme situes dans une fourchette acceptable ; tous les indicateurs se
rvlent trs explicatifs par rapport la composante de pauvret prsente dans le tableau
9.3. Seul lindicateur de la taille de la famille est dot dun coefficient proche de zro.
Mesure dadquation dchantillonnage de Kaiser-Meyer-Olkin. Le test de Kaiser-
Meyer-Olkin (KMO) est un indice permettant de comparer le niveau des coefficients de
corrlation observs avec celui des coefficients de corrlation partiels. Plus la valeur de
lindice est faible, moins le modle est appropri. Gnralement, on considre les
114
rsultats suprieurs 0,60 comme acceptables, suprieurs 0,70 comme bons, suprieurs
0,80 comme trs bons et suprieurs 0,90 comme exceptionnels.
Le premier tableau de rsultat SPSS montre la fois les rsultats du test KMO et du test
Bartlett de sphricit. Si le tableau napparat pas, cela peut signifier que le modle
contient des variables qui dupliquent la mme information. Vrifier la liste des variables
pour identifier une ventuelle duplication. Le tableau 9.7 est un exemple de la faon dont
le tableau apparat dans l Editeur de rsultats de SPSS. Dans la premire cellule de la
colonne de droite du tableau se trouve lindice KMO pour le modle. Dans ce cas, le
nombre 0,855 est situ dans la fourchette acceptable pour un modle bien spcifi. Le test
khi-deux nest pas utilis dans cette mthodologie, car le test se traduira presque toujours
par un niveau de signification infrieur 0,001 pour des tailles dchantillons aussi
importantes (500).
Tableau 9.7 Test KMO-Bartlett
Test Valeur
Mesure de prcision de lchantillonnage de Kaiser-
Meyer-Olkin
0,855
Test de sphricit Bartlett
Khi-deux approch 918,033
ddl
Signification 0,000
Etape 4 : Sauvegarder les facteurs de la composante en tant que variables de lindice de
pauvret
Une fois le modle de calcul de lindice de pauvret finalis, la taille dchantillon
utilise pour calculer la composante de pauvret peut tre augmente de lchantillon de
300 non-clients lchantillon total de 500 mnages clients et non-clients. Cela peut tre
fait lintrieur de la bote de dialogue Analyse factorielle (figure 9.3) en supprimant
la variable statut client/non-client de la bote Variable de filtrage . En utilisant la taille
dchantillon de 500, relancer le modle pour enregistrer les calculs finaux de la
composante, puis vrifier quaucun rsultat inhabituel nest produit.
Si les mesures dadquation diminuent lgrement, ne pas redfinir les spcifications du
modle. Comme lchantillon alatoire de clients de lIMF ne peut pas tre considr
comme une reprsentation non biaise de la population locale, les observations des
clients de lIMF ne sont pas utilises pour dfinir les spcifications du modle.
En utilisant la version finale du modle ACP, sauvegarder les valeurs standardises de la
composante de pauvret comme une variable du fichier de donnes sur les mnages. Cela
se fait facilement sous SPSS partir de la bote de dialogue Analyse factorielle (voir
figure 9.3). Dabord cliquer sur Facteurs au bas de la fentre pour ouvrir la bote de
dialogue Analyse factorielle : Facteurs (figure 9.6). Dans cette bote de dialogue,
cocher Enregistrer dans des variables et, sous Mthode , cocher Rgression .
Cliquer sur Poursuivre .
115
Ouvrir ensuite la bote de dialogue Analyse factorielle : Extraction en cliquant sur
Extraction dans la bote de dialogue Analyse factorielle . Cocher Nombre de
facteurs (voir figure 9.5). La case droite devient active. Entrer 1 pour indiquer que
seule la premire composante doit tre sauvegarde en tant que variable. Relancer le
modle danalyse en composantes principales. Vrifier quune nouvelle variable,
FAC1_1 , facteur de rgression, a bien t cre dans le fichier des mnages.
Renommer la variable en POVINDEX et ajouter une dfinition, telle que indice de
pauvret des mnages .
Figure 9.6 Bote de dialogue SPSS
Analyse factorielle : Facteurs
Proprits de la variable indice de pauvret
Lindice de pauvret cr par extraction selon la mthode de lanalyse en composantes
principales est estim partir de valeurs dindicateurs standardises. Cette
standardisation est effectue automatiquement par SPSS avant le lancement de lanalyse
en composantes principales. Lindice de pauvret est galement produit sous une forme
standardise. Standardiser une variable consiste supprimer lunit dans laquelle la
variable est mesure. Une variable standardise a une moyenne de zro et un cart type
de 1. La figure 9.7 montre la distribution dun indice de pauvret sous une forme
standardise. Les valeurs reprsentes sur le graphique schelonnent entre 2,51 et 3,72.
Environ deux-tiers des mnages se situent dans la fourchette entre 1 et 1.
La figure 9.8 reprsente la frquence cumule dun indice de pauvret diffrent,
reprsent pour les clients et les non-clients. Comme le montre la figure, il existe une
diffrence assez importante entre les deux groupes, except pour les mnages les plus
pauvres, pour lesquels la diffrence entre clients et non-clients se rduit. Pour les 10 pour
cent de mnages les plus pauvres, aucune diffrence nest observe dans le niveau de
pauvret des clients et des non-clients.
Cependant, pour tous les autres niveaux de pauvret relative, les clients apparaissent plus
pauvres que les non-clients. Ces rsultats peuvent tre recoups avec lindice de pauvret
moyen des clients et non-clients. Dans lexemple de la figure 9.8, la valeur moyenne est
de 0,22 pour les non-clients et de 0,13 pour les clients, ce qui signifie quen moyenne
les clients sont plus pauvres que les non-clients de la mme rgion.
116
Figure 9.7 Histogramme dun indice de pauvret
standardis
Ecart t. =
1.00
Moy. = 0.00
N = 499.00
Valeur de lindice de pauvret standardis
117
Figure 9.8 Exemple de frquence cumule de lindice de pauvret par statut
Vrifier les rsultats de lindice
Une fois dfinie la composition de lindice de pauvret, le chercheur peut examiner les
rsultats, dabord pour identifier les diffrences de niveau de pauvret relative entre les
clients et les non-clients, et ensuite pour vrifier que lindice de pauvret distingue les
niveaux de pauvret relative entre les mnages de manire cohrente dune zone dtude
lautre, et par rapport aux indicateurs individuels.
Pour identifier les diffrences significatives entre le niveau de pauvret relative des
clients et celui des non-clients, effectuer un test t de comparaison des moyennes en
utilisant lindice de pauvret comme variable dpendante et le statut client/non-client
comme variable indpendante. Vrifier si le niveau de signification est infrieur 0,05. Si
non, alors il ny a pas de diffrence significative entre les chantillons.
Continuer explorer lindice en recherchant les diffrences significatives entre les
mnages classs parmi les plus pauvres (indice de pauvret infrieur 1,0) ainsi que
pour ceux situs entre 1,0 et 0, entre 0 et +1,0 et enfin pour les moins pauvres obtenant
un score suprieur +1. Noter o se situent les diffrences significatives, ou bien o ces
diffrences paraissent les plus fortes. Vrifier les moyennes chaque test pour dterminer
qui des mnages clients ou non-clients ressortent comme les moins pauvres.
Lindice de pauvret peut galement servir identifier les diffrences de niveau de
pauvret dune zone dtude lautre. Comparer les moyennes entre clients et non-clients
au niveau des agences de lIMF. Reprsenter graphiquement les rsultats comme dans la
figure 9.9 pour illustrer les niveaux de pauvret moyens par agence et par statut
client/non-client.
Distribution cumule de lindice de pauvret par statut
(Etude de cas Inde)
-2,0
-1,0
0,0
1,0
2,0
3,0
0 20 40 60 80 100
Pourcentage cumul
I
n
d
i
c
e
d
e
p
a
u
v
r
e
t
Clients
Non-client
118
Vrifier que le niveau de pauvret moyen des non-clients dans les diffrentes zones
dtude correspond la connaissance que lquipe a du niveau de pauvret relative de
chaque zone. Les rsultats dune tude de cas reprsents dans la figure 9.9 suggrent que
le niveau de richesse est globalement plus faible dans les agences 2, 3, 4 et 5 et suprieur
dans les agences 1 et 6 de lIMF.
En outre, lIMF semble attirer des mnages plus pauvres dans les zones 2, 3 et 4 et plutt
moins pauvres dans les zones 1, 5 et 6 par rapport la population non-cliente des mmes
zones. Il est intressant de noter dans cet exemple particulier, que les clients des zones 1,
5 et 6 participent un programme dnu de mcanisme spcifique de ciblage, tandis que
les clients des zones 2, 3 et 4 sont issus dune slection ne retenant que les mnages les
plus pauvres.
Lorsque les clients et non-clients sont tris par type de programme pour cette mme tude
de cas, comme dans la figure 9.10, on observe un fort contraste du niveau de pauvret
entre les programmes cibls et les programmes non cibls. Les clients cibls sont en
moyenne les plus pauvres, et les non-clients situs dans la zone du programme cibl sont
en moyenne plus pauvres que les clients et non-clients du programme non cibl.
119
Figure 9.9 Etude de cas du niveau moyen de pauvret relative
par zone dtude et par statut
Branch code
6.00 5.00 4.00 3.00 2.00 1.00
M
e
a
n
p
o
v
e
r
t
y
i
n
d
e
x
1.0
.5
0.0
-.5
-1.0
Client of mfi
Client of MFI
Non client of MFI
Figure 9.10 Etude de cas du niveau moyen de pauvret relative
par type de programme et par statut
Type of programme
Non-targeted Targeted
M
e
a
n
p
o
v
e
r
t
y
i
n
d
e
x
. 6
. 4
. 2
0.0
-.2
-.4
-.6
-.8
Client of mfi
Client of MFI
Non client of MFI
Statut de lenqut
Client de lIMF
Non-client de lIMF
Code de lagence
I
n
d
i
c
e
d
e
p
a
u
v
r
e
t
m
o
y
e
n
Statut de lenqut
Client de lIMF
Non-client de lIMF
Type de programme
Non-cibl Cibl
I
n
d
i
c
e
d
e
p
a
u
v
r
e
t
m
o
y
e
n
120
Utiliser les terciles de pauvret relative pour interprter lindice de
pauvret
Dfinir les pauvres au sein de la population locale
La cration de lindice de pauvret attribue un score chaque mnage. Plus le score est
faible, plus le mnage est pauvre comparativement tous les autres mnages ayant des
scores suprieurs. Les scores des mnages clients et non-clients de lIMF peuvent tre
compars pour dterminer dans quelle mesure lIMF touche les pauvres.
Pour cela, il faut dabord dcider de la part de la population locale susceptible de former
le groupe le plus pauvre, tel quil est dfini dans le projet dvaluation de la pauvret. Si
le chercheur souhaite dterminer dans quelle mesure lIMF parvient toucher les
mnages les plus pauvres de la population locale, prendre comme repre les 20% les plus
pauvres de la population semble appropri. La dfinition peut cependant tre plus large et
inclure la moiti la plus pauvre de la population.
Comme on la vu dans le chapitre 1, la mthodologie dvaluation de la pauvret mise en
oeuvre utilise une proportion de 33 pour cent pour dfinir le groupe le plus pauvre au sein
de la population locale. Il est en effet utile de diviser la population en terciles reprsentant
respectivement le groupe de mnages les plus pauvres, le groupe de mnages assez
pauvres et le groupe de mnages les moins pauvres, sur la base de leur niveau de pauvret
relative. La mthodologie peut tre adapte de faon inclure des catgories
supplmentaires, par exemple en dfinissant des quartiles ou des quintiles. Bien que le
manuel utilise des terciles, il est conseill dutiliser la rpartition la plus pertinente par
rapport au contexte national.
Chaque valuation porte sur un chantillon alatoire de 300 mnages non-clients et de
200 mnages clients. Pour utiliser lindice de pauvret des fins de comparaison,
lchantillon de non-clients est dabord tri par ordre croissant des scores de pauvret
obtenus. Une fois tris, les mnages non-clients sont diviss en terciles sur la base de leur
score ; le tiers suprieur des mnages non-clients correspond la catgorie
suprieure , suivie de la catgorie moyenne et enfin de la catgorie infrieure .
Les mnages non-clients tant au nombre de 300, chaque catgorie comprend 100
mnages. Les scores infrieur et suprieur de chaque tercile dfinissent les limites de
chaque groupe de pauvret.
Les mnages clients sont ensuite rpartis en trois catgories de la mme faon sur la base
de leur scores. La figure 9.11 montre comment les scores seuils servent dlimiter les
terciles de pauvret partir du classement des mnages non-clients. Les valeurs seuils de
0,70 et +0,21 ont t calcules dans le cadre de lune des tudes de cas. Comme on la
vu dans le chapitre 1, chaque valuation de la pauvret utilisera des valeurs seuils
diffrentes pour grouper les mnages en terciles. Les tapes ncessaires pour dterminer
et appliquer ces valeurs sont dcrites dans la section suivante.
121
Figure 9.11 Construire les groupes de pauvret
Procdure SPSS pour crer les terciles de pauvret
Etape 1 : Limiter lchantillon aux non-clients. Dans un premier temps, ne grouper
que les 300 mnages non-clients en terciles. Dans le menu Donnes de SPSS, cliquer sur
Slectionner des observations , puis sur Slectionner Si . Utiliser la bote de dialogue
affiche pour filtrer les observations de faon ne retenir que celles relatives aux non-
clients.
Etape 2 : Classer les mnages non-clients de faon crer trois terciles de pauvret
relative. Les terciles de lindice de pauvret sont crs en slectionnant Ordonner les
observations partir du menu Transformer. Dans la bote de dialogue Ordonner les
observations (figure 9.12), slectionner indice de pauvret des mnages dans la liste
dobservations gauche, puis cliquer sur la flche pour le transfrer dans la case
Variable(s) droite. Cliquer sur Plus petite valeur sous Affecter le rang 1 ,
puis cliquer sur Types de rangs pour ouvrir la bote de dialogue Ordonner les
observations : Types (figure 9.13).
Cliquer sur Fractiles et taper le nombre 3. Ainsi, lchantillon de 300 non-clients sera
segment en trois groupes. Si tout a t effectu correctement, environ 33 pour cent de
tous les mnages non-clients, soit environ 100 mnages, seront compris dans chacun des
trois groupes.
Mnages clients dont le
score est suprieur 0,21
Mnages clients dont le score
se situe entre 0,70 et 0,21
Mnages clients dont le
score est infrieur
0,70
Infrieur Moyen Suprieur
Indice de pauvret
-2,51 -0,70 0,21 3,75
100 mnages
non clients +
pauvres
100 mnages
non clients
intermd.
100 mnages
non clients -
pauvres
122
Pour vrifier que lordonnancement a t correctement ralis, effectuer un test de
frquences sur la variable dordonnancement automatiquement cre par SPSS. Cette
variable commence toujours par la lettre N. Ajouter les sept premiers caractres du nom
de la variable (indice de pauvret) : NPOVINDE.
Figure 9.12 Bote de dialogue SPSS Ordonner les observations
Figure 9.13 Bote de dialogue SPSS Ordonner les observations : Types
Etape 3 : Intgrer les mnages clients de lIMF dans les catgories de pauvret
relative. Chaque tercile cr pour les mnages non-clients correspond une fourchette
de valeurs de lindice de pauvret diffrente. Les valeurs minimales et maximales de
chaque fourchette peuvent maintenant tre utilises pour dterminer les catgories dans
lesquelles se placent les mnages clients.
Pour crer les terciles de pauvret, slectionner dans un premier temps uniquement les
observations actuellement comprises dans le tercile de pauvret intermdiaire. Cliquer sur
Slectionner observations dans le menu Donnes, puis trier les observations pour ne
retenir que celles dont le tercile de pauvret est gal 2.
A partir du menu Analyse, slectionner Statistiques descriptives, puis
Caractristiques. Dans la bote de dialogue qui souvre, transfrer la variable indice de
pauvret dans la case Variable(s) puis cliquer sur OK . Le tableau gnr est
123
similaire au tableau 9.8. Noter les valeurs minimum et maximum ; ces valeurs seront
utilises pour dfinir les fourchettes permettant de classer les clients de lIMF dans les
trois terciles.
Tableau 9.8 Exemple de statistiques descriptives pour le tercile de pauvret intermdiaire
N Minimum Maximum Moyenne Ecart type
Indice de pauvret
des mnages
100 0,70134 0,21338 0,2470421 0,2703259
N valide (listwise) 100
Une fois dtermine la fourchette de valeurs pour chaque tercile de non-clients, rpartir
les mnages clients de lIMF dans chaque tercile en fonction de leur score dindice de
pauvret. Lidal pour cela est de calculer une nouvelle variable POVGROUP, qui
dressera la liste des numros de groupe des 500 mnages de lchantillon. Avant de
calculer cette variable, cependant, vrifier que les 500 mnages sont bien dots dune
valeur de lindice de pauvret. Dans le cas contraire, limiter lchantillon de faon
exclure toutes les observations avec valeurs manquantes avant dentamer la procdure
suivante.
Assigner des valeurs la variable POVGROUP comme suit :
1 pour toutes les observations dont le score dindice de pauvret est infrieur
la valeur minimum apparaissant dans le tableau danalyse descriptive gnr par
SPSS (-0.70134 dans lexemple du tableau 9.8)
2 pour toutes les observations dont le score dindice de pauvret se situe entre
la valeur minimum et la valeur maximum (ou est gal ces valeurs) apparaissant
dans le tableau danalyse descriptive (-0.70134 et 0,21338 dans lexemple)
3 pour toutes les observations dont le score dindice de pauvret est suprieur
la valeur maximum apparaissant dans le tableau danalyse descriptive (0.21338
dans lexemple)
Commencer par slectionner Calculerdans le menu Transformer. Dans la bote de
dialogue qui souvre, taper le nouveau nom de la variable, POVGROUP, dans la case en
haut gauche, et entrer 2 dans la case de droite. Cliquer sur OK . La valeur 2 sera
assigne la nouvelle variable.
Modifier maintenant la variable nouvellement calcule en rptant la procdure ci-dessus
mais taper cette fois 1 dans la case en haut droite (partie suprieure de la figure
9.14) et cliquer sur Si pour ouvrir la bote de dialogue Calculer la variable : Si les
observations (partie infrieure de la figure 9.14). Dfinir la condition si en tant que
POVINDEX<-0,70134 de faon ce quelle ne sapplique quaux observations dont la
valeur de lindice de pauvret est infrieure la valeur minimum de lindice de pauvret
du tableau descriptif (tableau 9.8). Les valeurs de POVGROUP doivent maintenant tre
gales 1 lorsque la valeur de lindice de pauvret est infrieure 0,70134.
124
Calculer les valeurs de POVGROUP une dernire fois pour assigner une valeur 3 aux
valeurs de lindice de pauvret suprieures au niveau maximum du tercile intermdiaire.
Dans notre exemple, cette valeur est gale 0,21338.
Figure 9.14 Botes de dialogue SPSS Calculer la variable et Calculer la variable : Si
les observations
Etape 4 : Vrifier que tous les mnages ont t correctement rpartis dans les
catgories. Une fois toutes les observations rparties dans les groupes de pauvret,
gnrer un tableau de frquences de POVGROUP pour vrifier que les rsultats sont
corrects. Vrifier galement que toutes les observations comportant des valeurs
manquantes pour lindice de pauvret ont galement des valeurs manquantes au sein de la
variable POVGROUP. Choisir Slectionner les observations dans le menu Donnes et
dfinir la condition si en tant que MISSING(povindex) . Si ces observations ont
des valeurs gales 1, recoder les observations en SYSMIS laide de loption Recoder
dans le menu Transformer. Enfin, ajouter une tiquette de variable ordonnancement
des mnages en fonction de la pauvret relative et attribuer des tiquettes de valeurs
pour la nouvelle variable : 1 = infrieur, 2 = intermdiaire, et 3 = suprieur.
<
125
Evaluer la porte de lIMF auprs des pauvres laide des catgories de
pauvret
Maintenant que toutes les observations concernant les clients et non-clients de lIMF ont
t rparties dans les catgories de pauvret, il est possible didentifier par comparaison
les diffrences entre les deux distributions. Si le profil de pauvret des mnages clients
est similaire celui des mnages non-clients, les mnages clients seront galement
rpartis entre les trois catgories de pauvret, comme les mnages non-clients, raison de
33 pour cent dans chaque groupe. Ainsi, tout cart par rapport cette galit de
proportion signale une diffrence entre les populations cliente et non-cliente. Par
exemple, si 60 pour cent des mnages clients se situent dans le premier tercile, soit la
catgorie de pauvret infrieure, cela signifie que lIMF touche un nombre
proportionnellement lev de clients trs pauvres par rapport la population globale.
La figure 9.15 montre les rsultats dune tude de cas mettant en lumire les diffrences
significatives dans la distribution de la pauvret entre clients et non-clients. Le graphique
montre que les clients sont sur-reprsents dans le tercile infrieur et sous-reprsents
dans le tercile suprieur. Cela indique que lIMF touche une proportion de mnages
pauvres plus large que la proportion habituelle de pauvres au sein de la population. A
linverse, les rsultats dune deuxime tude de cas, illustrs par la figure 9.16, indiquent
une tendance oppose. Les rsultats de cette figure montrent que les clients de lIMF sont
sous-reprsents dans le tercile infrieur et sur-reprsents dans le tercile suprieur. Cela
implique que lIMF touche les mnages les plus aiss.
Pour crer des graphiques similaires ceux des figures 9.15 et 9.16 sous SPSS, cliquer
sur Graphes, puis sur Btons. La bote de dialogue Diagrammes en btons souvre.
Cliquer sur Juxtapos et slectionner Rcapitulatifs pour groupes dobservations
sous Donnes du diagramme . Cliquer sur Dfinir pour ouvrir la bote de dialogue
Diagramme en btons juxtaposs . Dans la partie suprieure de la bote, slectionner
loption % dobservations , puis slectionner la variable POVGROUP comme axe de
modalits et la variable statut client/non-client pour dfinir les groupes de btons. Cliquer
sur Titres en bas droite pour ajouter des titres au diagramme.
126
Figure 9.15 Etude de cas 1 : Bonne porte auprs des pauvres
Figure 9.16 Etude de cas 2 : Faible porte auprs des pauvres
Outre la comparaison des diffrences de pauvret, les terciles de pauvret peuvent
galement tre utilises pour valuer comment se situent les diffrents indicateurs dans
chaque groupe de pauvret. Cest un bon moyen de vrifier dans quelle mesure lindice
de pauvret parvient rendre compte des diffrences de niveau de pauvret entre les
mnages.
La figure 9.17 montre les donnes dune tude de cas sur la proportion dadultes ayant
achev au moins 7 annes dtude. Au sein du groupe infrieur, environ 40 pour cent des
adultes des mnages ont atteint au moins ce niveau dducation, compar 70 pour cent
des adultes du groupe suprieur. Le graphique montre une nette tendance ascendante
proportionnelle au niveau de richesse des mnages ; il indique galement que les rsultats
sont cohrents dune agence lautre.
0
10
20
30
40
50
60
Groupe de pauvret
P
o
u
r
c
e
n
t
Client IMF
Non-client IMF
Statut
0
10
20
30
40
50
60
70
Groupe de pauvret
P
o
u
r
c
e
n
t
Client IMF
Non-client IMF
Statut
127
Figure 9.17 Exemple dtude de cas : pourcentage moyen des adultes du mnage
ayant achev 7 annes dtude, par agence
poverty group
highest middle Lowest
M
e
a
n
p
e
r
c
e
n
t
a
b
o
v
e
g
r
a
d
e
7
90
80
70
60
50
40
30
20
Branch code
1.00
2.00
3.00
4.00
5.00
6.00
Une vrification similaire de lindice de pauvret peut tre effectue laide dun tableau
crois des indicateurs ordinaux par groupe de pauvret. Le tableau 9.9 prsente les
donnes dune autre tude de cas, qui montre que 97 pour cent des mnages du groupe
suprieur ont leurs propres latrines ou toilettes avec chasse deau, compar 58 pour cent
des mnages du groupe infrieur. Un examen du khi-deux dans le tableau 9.10 montre
que ces diffrences sont trs significatives.
Enfin, il est possible de vrifier la pertinence des indicateurs de lindice de pauvret en
identifiant les ventuelles incohrences au niveau des infrastructures des zones dtude.
Labsence de systme dadduction deau ou dlectricit dans certaines zones est
notamment susceptible dintroduire un biais dans le classement des mnages de cette
zone, si les indicateurs supposent que ces services sont disponibles.
Vrifier la contribution de chaque indicateur utilis pour crer lindice de pauvret
laide de diagrammes des moyennes pour chaque variable dchelle et de tableaux croiss
pour chaque variable ordinale. Si des incohrences sont identifies entre les agences ou
les codes de rponse, il faut envisager de remplacer lindicateur en question par un autre
qui ne souffre pas des mmes incohrences. Une fois que toutes les variables ont t
revues et les ventuels changements apports, la composition de lindice de pauvret peut
tre finalise et lanalyste peut procder linterprtation des rsultats, comme expliqu
dans le chapitre 10.
Groupe de pauvret
Infrieur Intermdiaire Suprieur
Code dagence
P
o
u
r
c
e
n
t
a
g
e
m
o
y
e
n
a
u
-
d
e
s
s
u
s
d
e
7
a
n
s
128
Tableau 9.9 Exemple de tableau crois des types de latrines et groupes de pauvret
Groupe de pauvret
Infrieur Intermdiaire Suprieur Tous groupes
Type de latrines
Nb
dobser-
vations
% du
groupe de
pauvret
Nb
dobser-
vations
% du
groupe de
pauvret
Nb
dobser-
vations
% du
groupe de
pauvret
Nombre
total
% du
groupe de
pauvret
Pas de latrines 56 32,7% 20 11,6% 3 1,9% 79 15,8%
Latrines
communes
16 9,4% 10 5,8% 1 0,6% 27 5,4%
Fosse prive 99 57,9% 141 82,0% 125 79,6% 365 73,0%
Toilettes prives
avec chasse deau
-- -- 1 0,6% 28 17,8% 29 5,8%
TOTAL 171 100,0% 172 100,0% 157 100,0% 500 100,0%
Tableau 9.10 Test khi-deux du tableau crois
Test Valeur ddl Sig. asymp. (bilatrale)
Khi-deux de Pearson 129,143 6 0,000
Rapport de vraisemblance 138,285 6 0,000
Association linaire par linaire 107,374 1 0,000
Nombre dobservations valides 500
Note : Aucune cellule (0,0%) ne peut avoir une valeur < 5. La valeur minimale attendue est 8,48.
PARTIE V
INTERPRETATION DES RESULTATS
125
CHAPITRE 10
INTERPRETER LES RESULTATS
Pour tre complte, lvaluation dune IMF doit comprendre lvaluation de sa porte auprs des
pauvres, mais aussi le degr de correspondance entre cette porte dune part et sa mission et les
objectifs de son programme dautre part. Le contexte gographique, la mission nonce, le type
de segment de march recherch, la culture institutionnelle sont autant de facteurs qui
diffrencient les IMF les unes des autres. Si lon ne tient pas compte de ces facteurs ou si les
informations institutionnelles sont incompltes, on napprhende quune partie de la ralit.
Interprter les rsultats dune valuation de la pauvret dans le contexte spcifique de lIMF
permet dapprofondir la mesure quantitative des diffrences de pauvret relative entre les clients
et non-clients.
Le Cadre dvaluation du CGAP contient des conseils pratiques et des indicateurs pour la
mesure des performances financires et organisationnelles dune IMF. Ces performances peuvent
tre tudies la lumire des contraintes externes, de la vision interne et de la stratgie de faon
cerner le contexte dans lequel les rsultats en terme de porte auprs des pauvres doivent tre
interprts.
Ce chapitre aide les chercheurs utiliser lindice de pauvret des fins de comparaison entre
programmes et entre pays en expliquant comment dvelopper des mesures synthtiques. Ces
mesures peuvent tre utilises en combinaison avec des informations relatives la rgion ou au
pays pour interprter et comparer la porte des diffrentes IMF auprs des pauvres. La dernire
section de ce chapitre relie lensemble du processus dvaluation au contexte spcifique dune
IMF donne et conseille les utilisateurs sur la faon de prparer une synthse des rsultats.
Comparer les rsultats aux niveaux local, rgional et national
La porte des IMF auprs des pauvres peut tre value trois niveaux :
Local : dans quelle mesure lIMF fournit-elle des services diffrents niveaux de
pauvret relative dans la zone de ltude ?
Rgional : quel est le niveau de pauvret relatif de la rgion dtude par rapport au
niveau national ?
National : quel est le niveau de pauvret relatif du pays par rapport aux autres pays ?
Le premier niveau dvaluation a constitu lessentiel de ce manuel, cependant une conclusion
gnrale concernant la porte de lIMF en terme de pauvret doit explicitement prendre en
compte les niveaux rgional et national. La base des comparaisons finales doit cons ister en une
126
image globale prenant en compte les trois niveaux. Ces niveaux dinformation supplmentaires
peuvent ensuite tre combins avec une analyse institutionnelle qualitative de lIMF pour
interprter son profil en terme de porte auprs des pauvres.
Comparer les niveaux de pauvret au niveau local
Les scores de pauvret des mnages et les groupes de pauvret nindiquent pas le niveau de
pauvret absolu de la zone locale. Une IMF peut oprer la fois dans des zones o 90 pour cent
de la population locale vit dans des conditions dextrme pauvret, et dans des zones o pas plus
de 10 pour cent de la population est considre comme pauvre. Les comparaisons entre clients et
non-clients ne peuvent renseigner que sur les diffrences de distribution de la pauvret relative
entre ces deux groupes.
Si le profil de pauvret des mnages clients est similaire celui des mnages non-clients, les
mnages clients seront galement rpartis entre les trois catgories de pauvret, comme les
mnages non-clients, raison de 33 pour cent dans chaque groupe. Ainsi, tout cart par rapport
cette galit de proportion signale une diffrence entre les populations cliente et non-cliente.
Deux mesures peuvent tre observes sur la base de cet cart :
Mesure 1 : indique dans quelle proportion les mnages pauvres sont reprsents au sein
de la population cliente. Une mesure de 33 pour cent indique que la proportion de
mnages pauvres au sein de la clientle de lIMF est la mme quau sein de la population
globale. Une mesure suprieure 33 pour cent signifie que la proportion de mnages
pauvres au sein de la clientle est suprieure la proportion habituelle au sein de la
population. A linverse, une mesure infrieure 33 indique que la part de mnages
pauvres parmi les clients de lIMF est infrieure la part habituelle au sein de la
population.
Mesure 2 : indique dans quelle mesure les mnages les moins pauvres sont reprsents
dans la population cliente. Une mesure infrieure 33 indique que, compar la
population non-cliente, une proportion infrieure de mnages clients se trouve dans le
groupe suprieur.
Encadr 10.1 Ecart par rapport la distribution en terciles
Mesure 1
pourcentage de clients appartenant au tercile de pauvret infrieur
les valeurs plus leves traduisent une porte plus importante auprs des mnages pauvres dans la
zone concerne
Mesure 2
pourcentage de clients appartenant au tercile de pauvret suprieur
les valeurs plus leves traduisent une porte plus importante auprs des mnages aiss dans la
zone concerne
127
Comparer le niveau de pauvret de la zone dactivit de lIMF avec le niveau de pauvret
national
Une valuation de la pauvret relative des clients dIMF au niveau local ne dit pas tout dans la
mesure o lIMF peut tre situe dans des zones plutt pauvres ou plutt riches du pays. Dans
des rgions plus riches, les clients relativement pauvres peuvent tre en moyenne plus aiss que
les mnages vivant en dehors de la zone oprationnelle de lIMF. A linverse, dans des rgions
plus pauvres, les mnages appartenant au groupe suprieur peuvent tre en moyenne plus
pauvres que les mnages vivant en dehors de la zone oprationnelle de linstitution. Raliser des
valuations aux niveaux rgional ou national implique de slectionner des chantillons de
mnages lextrieur de la zone dactivit de lIMF, ce qui augmente le cot de ltude de
manire exponentielle et le rend inabordable.
Il existe deux possibilits pour comparer le niveau de pauvret de la zone oprationnelle dune
IMF celui dautres rgions du pays. La premire option consiste recueillir des mesures de la
pauvret au niveau rgional partir de sources publies existantes. Cette option nest possible
que dans les pays o ces informations secondaires sont disponibles, fiables et dsagrges par
rgion. Or les donnes secondaires suffisamment dsagrges pour permettre des comparaisons
entre la zone oprationnelle de lIMF et le reste du pays ne sont disponibles que dans un petit
nombre de pays en dveloppement.
En outre, lorsque les donnes sont compiles partir de plusieurs sources diffrentes (cas de
figure le plus probable), il peut y avoir des diffrences dans la dcomposition des zones
gographiques, les units de mesure, les dfinitions des termes et lanne de collecte des
donnes. Lapproche quantitative nest possible que si une mthodologie standard valable la
fois aux niveaux national et local peut tre utilise pour mesurer la pauvret. Dans tous les autres
cas, il vaut mieux appliquer la seconde option impliquant lavis dun expert.
Utiliser des donnes secondaires. Les mesures quantitatives de la pauvret peuvent prendre
diffrentes formes. Le chercheur devra examiner plusieurs mesures diffrentes pour arriver une
juste valuation. Les indicateurs couramment utiliss par les gouvernements et organisations
internationales pour mesurer la pauvret comprennent par exemple : (i) des donnes statistiques
officielles sur la pauvret, comme le pourcentage de la population vivant au-dessous du seuil de
pauvret ou une estimation de lcart de pauvret par zone gographique, (ii) des enqutes
nationales rcentes de la consommation et des dpenses annuelles par mnage et par personne,
dsagrges par zones gographiques, (iii) des bases de donnes mesurant le niveau dinscurit
ou de vulnrabilit alimentaire par zone gographique, telles que les cartes de pauvret servant
la distribution de laide alimentaire, et (iv) un indicateur agrg de la qualit des infrastructures
par zone gographique.
128
Encadr 10.2 Utiliser des donnes secondaires dans le cadre dune valuation de la pauvret
Dans le cadre de ltude de cas mene en Afrique du Sud, plusieurs formes de donnes secondaires ont
t utilises pour tablir que le niveau de pauvret gnral de la zone dactivit de lIMF la province du
Nord se situait au-dessous de celui des autres rgions du pays. En comparant lindice de dveloppement
humain (IDH) de la province lindice national de lAfrique du Sud, on a constat que lIDH de la
province du Nord tait de 0,470, soit 69 pour cent de lIDH national. Cette comparaison a montr que la
province tait fortement dfavorise. En outre, le programme ne ciblait que la population africaine, qui est
connue pour tre le groupe ethnique le plus pauvre de la rgion et du pays dans son ensemble.
Les donnes secondaires ont galement permis de constater que les niveaux de revenus lintrieur de la
zone taient comparables ceux observs dans les pays les plus pauvres dAfrique. Les donnes
indiquaient aussi que la rgion tait plus pauvre que les autres parties du pays et que lIMF avait tendance
oprer dans les districts les plus pauvres de la rgion.
Utiliser des mthodes qualitatives. La seconde option pour valuer les niveaux de pauvret au
sein de la zone dactivit dune IMF consiste mener une valuation qualitative. Ce type
dvaluation, dont les tapes sont dtailles ci-aprs, fait appel des experts qui peuvent valuer
le niveau de pauvret de la zone oprationnelle de lIMF par rapport aux normes rgionales et
nationales.
Etape 1. Dfinir les zones valuer. Lvaluation doit inclure lensemble de la zone
oprationnelle de lIMF et non uniquement les agences slectionnes pour lenqute
auprs des mnages. Dans un premier temps, dresser une liste de toutes les rgions ou
agences, puis indiquer le nom des lieux o vivent les clients.
Si les lieux ne peuvent pas tre facilement reconnus par une quipe dexperts
potentielle (voir tape 2 ci-dessous), dresser la carte de chaque zone par rapport
lensemble gographique le plus proche dont les coordonnes sont connues, tel quun
village ou une unit administrative locale (sur lequel linformation est relativement facile
recueillir). La liste finale doit tre prsente comme le tableau 10.1, les deux dernires
colonnes tant complter par lanalyste.
129
Tableau 10.1 Grille dvaluation des niveaux de pauvret de la zone dopration de lIMF
Zone oprationnelle
de lIMF
Zone administrative
officielle quivalente et
description de la zone
(A COMPLETER PAR
LANALYSTE)
Niveau de pauvret gnral de
la population (score*)
(A COMPLETER PAR
LANALYSTE)
Rgion 1
Zone 1A
Zone 1B
Zone 1C
Zone 1D
Rgion 2
Zone 2A
Zone 2B
Zone 2C
Zone 2D
Rgion 3
Zone 3A
Zone 3B
Zone 3C
Zone 3D
* Score :
1 = La zone oprationnelle se situe largement au-dessous de la moyenne nationale
2 = La zone oprationnelle se situe lgrement au-dessous de la moyenne nationale
3 = La zone oprationnelle se situe peu prs au niveau de la moyenne nationale
4 = La zone oprationnelle se situe lgrement au-dessus de la moyenne nationale
5 = La zone oprationnelle se situe largement au-dessus de la moyenne nationale
Etape 2. Dfinir le panel dexperts. Les candidats potentiels peuvent venir de plusieurs
types dinstitutions, comme des instituts reconnus de recherche en sciences sociales, des
organisations gouvernementales ou non gouvernementales impliques dans des
programmes de la lutte contre la pauvret (programme de distribution alimentaire par
exemple), ou tre des experts reconnus dans le domaine mais indpendants. Il est
extrmement important de sassurer que lquipe dexperts possde une connaissance
concrte de la zone oprationnelle de lIMF. Cela leur donne la capacit de classer la
zone par rapport aux normes rgionales ou nationales.
Les fonctionnaires des ministres de la sant et de lagriculture et les autorits locales ont
souvent une connaissance approfondie des diffrentes zones du pays et sont en mesure de
faire des comparaisons entre les rgions ou zones administratives. Slectionner huit dix
experts provenant de diffrents milieux institutionnels (gouvernement, instituts de
recherche en sciences sociales et organisations non gouvernementales impliques dans
des programmes de lutte contre la pauvret).
Il peut tre ncessaire dinterroger un groupe dexperts rgionaux pour valuer le niveau
des zones spcifiques par rapport celui de la rgion dans son ensemble, et des experts
nationaux pour valuer le niveau de la rgion par rapport celui du pays.
130
Etape 3. Fixer les critres dvaluation de la pauvret au niveau local. Lvaluation de la
pauvret au niveau local fait appel lavis dun groupe dexperts charg destimer le
niveau de pauvret global dune zone oprationnelle spcifique par rapport au niveau de
pauvret moyen national. Les membres du groupe doivent attribuer un score chaque
zone en utilisant la classification ci-dessous :
1 = La zone oprationnelle se situe largement au-dessous de la moyenne nationale
2 = La zone oprationnelle se situe lgrement au-dessous de la moyenne
nationale
3 = La zone oprationnelle se situe peu prs au niveau de la moyenne nationale
4 = La zone oprationnelle se situe lgrement au-dessus de la moyenne nationale
5 = La zone oprationnelle se situe largement au-dessus de la moyenne nationale
Pour sassurer que le classement est simple et sans ambigut pour le panel dexperts,
seuls cinq niveaux sont utiliss. Il est important de donner des directives claires aux
experts concernant le classement et lattribution des scores. Il doit tre bien compris que
lvaluation se base sur la prise en compte de facteurs tels que :
les niveaux de salaire et demploi (ou de chmage), le type demplois
le niveau des infrastructures physiques et sociales en rponse aux besoins des
habitants en matire deau potable ; niveau de prestation des services
mdicaux par les cliniques ou hpitaux
les niveaux dalphabtisation ; possibilits de scolarisation lmentaire et
secondaire
les conditions de pratique de lagriculture (pour les zones rurales), niveau de
commercialisation, degr dinscurit alimentaire
les circonstances exceptionnelles telles que instabilit politique, catastrophes
naturelles ou pidmies susceptibles daffecter considrablement les
conditions de vie des habitants
Etape 4. Obtenir les informations du panel dexperts. La grille du tableau 10.1 est
distribue tous les membres du panel dexperts, qui on demande de remplir la colonne
trois en attribuant un score chaque zone de chaque rgion. Si les experts ne sont pas
familiers dune zone donne, ils doivent laisser la ligne vide plutt que dinscrire une
supposition.
Etape 5. Triangulation. La triangulation de linformation reue des diffrents experts est
ncessaire, particulirement lorsque ceux-ci ont des points de vue trs divergents. Cela
peut arriver par exemple lorsquun expert attribue un score de cinq et un autre un score de
un la mme zone. Dans ce cas, les rsultats du groupe doivent dans un premier temps
tre prsents sous forme de tableau de faon faire ressortir clairement les scores
attribus par chaque membre pour chaque zone.
131
En outre, chaque fois que lcart entre les scores dpasse trois points, les experts dont
les avis divergent doivent produire une brve justification crite expliquant leur
conclusion. Le tableau des rsultats, accompagn des notes explicatives, doit ensuite de
nouveau circuler entre les experts pour leur donner la possibilit de revoir leur score la
lumire des rsultats globaux et des explications produites. Si des modifications sont
apportes, le processus doit tre rpt jusqu ce quil ny ait plus aucun changement
apporter.
Dans le meilleur cas de figure, un consensus gnral finit par merger. Lorsque ce nest
pas le cas, mais que les scores individuels ne diffrent pas de plus de deux points, chaque
avis dexperts se voit attribuer la mme pondration et les scores moyens sont calculs
suivant la mthode dcrite ltape 6. Si certains scores divergent de trois points ou plus,
il est fortement probable que certains des membres se soient fonds sur des informations
incompltes.
Dans ce cas, lanalyste doit valuer indpendamment toutes les explications pour en
vrifier la cohrence et la crdibilit globales, puis dcider des avis carter. Pour
prendre cette dcision, toutes les donnes secondaires disponibles doivent tre utilises et
les raisons qui ont pouss carter un avis clairement expliques dans le rapport
dvaluation final. Une fois la dcision prise, les scores moyens peuvent tre calculs
partir des rsultats retenus.
Etape 6. Calculer un score moyen pondr pour la rgion dactivit de lIMF. Le tableau
10.2 dcrit le processus permettant de calculer le score global de la rgion oprationnelle
de lIMF. Pour chaque zone, les scores moyens sont calculs en faisant la somme de tous
les scores obtenus pour la zone et en divisant le rsultat par le nombre de rponses des
experts. Cette moyenne est saisie dans la colonne 3 du tableau 10.2. Le score global pour
la rgion dactivit de lIMF dans son ensemble est ensuite obtenu en calculant la
moyenne pondre de tous les scores locaux, en prenant la proportion de clients de
lIMF dans la zone comme facteur de pondration.
Pour effectuer ce calcul, le nombre de clients actifs dans chaque zone doit tre saisi dans
la colonne 4 et la part des clients vivant dans chaque zone dans la colonne 5. La part des
clients est obtenue en divisant le nombre de clients de la zone par le nombre total de
clients de lIMF. Ltape suivante consiste multiplier la colonne 3 par la colonne 5 et
inscrire le rsultat dans la colonne 6. La somme de cette colonne constitue le score de
pauvret moyen pondr de la rgion dactivit de lIMF. Il est recommand dutiliser un
tableur tel que Microsoft Excel pour crer le tableau des moyennes pondres.
132
Tableau 10.2 Grille de calcul du score de pauvret de la rgion dactivit de lIMF
Rgion oprationnelle de
lIMF
(1)
Zone
administrative
officielle
quivalente
(2)
Niveau de
pauvret de la
population
globale
(3)
Nombre de
clients actifs
(4)
Pondration
en fonction du
% de clients
(5)
Niveau de
pauvret
pondr
(6)
Rgion 1
Zone 1A
Zone 1B
Zone 1C
Zone 1D
Rgion 2
Zone 2A
Zone 2B
Zone 2C
Zone 2D
Rgion 3
Zone 3A
Zone 3B
Zone 3C
Zone 3D
Rgion oprationnelle
de lIMF dans son
ensemble
--- ---
Le rsultat de cette valuation peut tre exprim sous la forme dun ratio en divisant le score
pondr de la rgion dactivit de lIMF par 3, savoir la valeur du niveau de vie national moyen
(voir tape 3 ci-dessus). Les valeurs du ratio infrieures 1 indiquent que la rgion
oprationnelle de lIMF se situe globalement sous la moyenne nationale du niveau de vie ; les
valeurs suprieures 1 indiquent le contraire.
Encadr 10.3 Ratio dvaluation de la pauvret rgionale
Mesure 3
Diviser le score pondr de la rgion oprationnelle de lIMF par 3. Cette mesure indique si lIMF touche
des rgions plutt pauvres ou plutt riches du pays :
les valeurs < 1 indiquent que lIMF touche des rgions plutt pauvres
les valeurs >1 indiquent que lIMF touche des rgions plutt moins pauvres
Comparaison des niveaux de pauvret nationaux
Comme le niveau absolu de pauvret diffre dun pays lautre, les comparaisons entre pays ne
peuvent pas tre ralises sur la base des classements de pauvret nationaux, que ce soit au
niveau rgional ou du client. Par exemple les mnages les plus pauvres en Amrique latine
pourraient savrer plus aiss que les mnages moins pauvres dAsie et dAfrique. Cest pour
133
cette raison que les classements au niveau individuel et au niveau rgional doivent tre complts
par des classements au niveau national pour permettre des comparaisons entre pays.
Les moyennes nationales du revenu rel par habitant prenant en compte les diffrences dans le
prix des biens et services dun pays lautre sont frquemment utilises par les agences
internationales, comme la Banque mondiale, pour classer les pays. Cependant, pour assurer la
cohrence avec lapproche par indicateurs utilise dans ce manuel, et pour tenir compte de la
nature multidimensionnelle de la pauvret, il est recommand dutiliser lindice de
dveloppement humain (IDH) calcul par le Programme des Nations Unies pour le
Dveloppement pour effectuer des comparaisons au niveau international (voir annexe 4).
LIDH combine des donnes sur les revenus avec des informations sur les acquis en matire de
sant et dducation. Deux indicateurs peuvent tre dduits de lIDH : (i) le rang du pays dans la
liste de 174 pays et (ii) le ratio IDH du pays rapport lindice moyen de lensemble des pays en
dveloppement. Plus le ratio est lev, plus le pays est ais, les ratios suprieurs 1 indiquant
que le niveau de pauvret dun pays est infrieur la moyenne et les ratios infrieurs 1 que le
niveau de pauvret du pays est suprieur la moyenne (voir encadr 10.4).
Encadr 10.4 Crer un ratio comparatif laide de lIndice de dveloppement humain (IDH)
le classement IDH renseigne sur le rang du pays par rapport aux autres pays
en divisant lindice du pays par la moyenne de lensemble des pays, on connat le degr de pauvret
relative du pays par rapport aux autres pays en dveloppement (ratio IDH)
les valeurs du ratio < 1 indiquent que le pays est plus pauvre que la moyenne des pays en
dveloppement
les valeurs du ratio > 1 indiquent que le pays est moins pauvre que la moyenne des pays en
dveloppement
Le tableau 10.3 donne un exemple des cinq mesures utilises pour comparer la porte des IMF
auprs des pauvres dun programme lautre et dun pays lautre. Le tableau montre les
donnes provenant de deux tudes de cas utilises pour tester et dvelopper la mthodologie
dvaluation de la pauvret contenue dans ce manuel. On observe que le pourcentage de mnages
clients du mme niveau de pauvret que le tiers le plus pauvre de la population non-cliente est
beaucoup plus lev pour lIMF D (58 pour cent) que pour lIMF C (16 pour cent). La mesure 1
qui en rsulte montre que les mnages relativement pauvres sont fortement sur-reprsents parmi
les clients de lIMF D (la mesure 1 est suprieure 33) et sous-reprsents parmi les clients de
lIMF C (la mesure 1 est infrieure 33).
De mme, le pourcentage de mnages clients qui sont aussi aiss que le tiers le moins pauvre de
la population non-cliente est beaucoup plus lev dans le cas de lIMF C (51 pour cent) que dans
le cas de lIMF D (3,5 pour cent). La mesure 2 montre que les mnages les moins pauvres sont
sur-reprsents parmi les clients de lIMF C (la mesure 2 est suprieure 33 pour cent), mais
sous-reprsents parmi les clients de lIMF D (la mesure 2 est trs infrieure 33).
La mesure 3 na pas t rigoureusement teste dans les tudes de cas initiales cause du manque
de donnes secondaires fiables, et elle napparat ici qu des fins dillustration. Cette
information est cruciale pour comparer le niveau de pauvret relatif de la zone oprationnelle de
134
lIMF la moyenne nationale, ce qui permet de replacer les mesures 1 et 2 en contexte. Le
niveau de pauvret absolu diffre dun pays lautre et cette information doit tre prise en
compte pour complter lexercice dvaluation de la pauvret. Par exemple, il peut arriver que
les mnages les plus pauvres de la zone oprationnelle de lIMF D soient plus aiss que les
mnages moins pauvres de la zone oprationnelle de lIMF C, comme le suggre le ratio
IDH.
Le Rapport sur le dveloppement humain du PNUD utilis pour ce manuel (PNUD 2000)
attribue un IDH de 0,563 au pays dimplantation de lIMF D et de 0,508 au pays de lIMF C.
LIDH moyen de lensemble des pays en dveloppement est de 0,642 ; le ratio IDH indique que
le niveau de vie est plus lev dans le pays de lIMF D que dans celui de lIMF C.
Tableau 10.3 Niveau de pauvret relative des clients par rapport aux non-clients
Mesure IMF C IMF D
1. Pourcentage de mnages clients aussi pauvres
que le tiers le plus pauvre de la population
non-cliente
16% 58%
2. Pourcentage de mnages clients aussi aiss
que le tiers le moins pauvre de la population
non-cliente
51% 3.5%
3. niveau de pauvret de la zone oprationnelle
par rapport au niveau de pauvret national
Un peu au-
dessus de la
moyenne
n.a.
4. classement IDH (sur 174) 138 128
5. ratio IDH (valeur IDH du pays divise par
lindice moyen de lensemble des PED)
0.79 0.88
Comparer les rsultats de lvaluation
la mission et aux objectifs de lIMF
Comme le souligne le dbut de ce chapitre, pour tre complte, lvaluation de la porte dune
IMF auprs des pauvres doit tre place dans le contexte de la mission et des objectifs du
programme de lIMF. Dans les tudes de cas prsentes dans le tableau 10.3 par exemple, il faut
savoir que ladhsion lIMF C fonctionne selon un systme de parts sociales et est ouverte
tous les individus, tandis que lIMF D cible explicitement ses services sur les mnages les plus
pauvres de sa zone oprationnelle. Une valuation de la pauvret qui ne prendrait pas en compte
ces informations institutionnelles, ou se fonderait sur des informations incompltes, ne reflterait
pas toute la ralit et pourrait facilement tre mal interprte.
La ralisation dune valuation de la pauvret doit toujours saccompagner dune valuation
institutionnelle globale (comme celle prsente dans le Cadre dvaluation du CGAP) qui prend
en compte les questions contextuelles numres dans lencadr 10.5.
135
Encadr 10.5 Rsultats dune valuation de la pauvret replacs dans leur contexte
Les rsultats dune valuation de la pauvret doivent tre analyss dans le contexte dun ensemble de
composantes lies entre elles, notamment
mission ou vision stratgique guidant lIMF et ses procdures oprationnelles
gamme de produits et services de lIMF et leur impact sur la slection globale des clients
situation gographique spcifique de lIMF
conditions imposes par les investisseurs, promoteurs, gouvernements et communauts locales
nature des contraintes politiques et autres contraintes externes rencontres par lIMF
niveau de comptition sur le march o opre lIMF
stade de dveloppement institutionnel de lIMF
orientation probable de la porte future en terme de pauvret et raisons de cette orientation
Prsenter les conclusions
La meilleure faon de prsenter les rsultats de lvaluation de la pauvret consiste rdiger un
rapport. Le plan de ce rapport final doit comprendre les lments suivants :
rsum des principaux rsultats
introduction et objectifs de lvaluation
contexte de lIMF : mission, structure, implantation gographique, performances
des dernires annes, orientations futures
rsum de la mthodologie, notamment du cadre dchantillonnage, contenu du
questionnaire, mise en oeuvre et analyse des donnes
explicitation des contraintes et limites inhrentes aux donnes et linterprtation
des rsultats
rsultats de lindice de pauvret, y compris calcul des mesures de pauvret
rgionales et nationales, tels que les illustrent les tableaux et diagrammes
statistiques
valuation rgionale comparant le niveau de pauvret de la zone oprationnelle de
lIMF au niveau national
discussion qualitative interprtant les rsultats, notamment sur toutes les
diffrences notables entre les groupes clients et non-clients
analyse du degr dadquation entre le contexte institutionnel et environnemental
de lIMF et ses performances en terme de porte auprs des pauvres
annexes : rsultats des tests statistiques, questionnaire et autres documents
pertinents
Lvaluation de la porte auprs des pauvres est susceptible dintresser un certain nombre
dinstitutions diffrentes. Cependant, de nombreuses IMF peuvent considrer la publication de
ces rsultats comme un sujet sensible et sopposer une diffusion large. Il est fortement
recommand dorganiser un atelier, uniquement sur invitation, lors duquel le personnel de lIMF,
les reprsentants des bailleurs, et lquipe de recherche discutent des rsultats de ltude, font des
suggestions damlioration et dterminent la faon dexploiter les rsultats. Bien que lexercice
136
dvaluation de la pauvret soit confidentiel, les IMF sont fortement encourages diffuser
largement linformation sur leur porte auprs des pauvres en plus de leurs tats financiers.
Habituellement, les rsultats pourront tre prsents et discuts en une demi- journe. Si toutes
les parties sont daccord, latelier peut tre ouvert une audience plus large. Le lieu de runion
doit tre suffisamment spacieux pour accueillir tous les participants, et distinct du lieu de travail
de faon viter les perturbations. Lencadr 10.6 propose un droulement type de cet atelier.
Encadr 10.6 Droulement de latelier: prsentation des rsultats de lvaluation de la pauvret
Accueil et introduction
Bref aperu des objectifs et de la mthodologie
- quelles questions ont t tudies et pour qui
- comment les rsultats seront utiliss
- comment marche loutil dvaluation de la pauvret
Contexte de lIMF
- bref rsum de la mission, des objectifs et de la stratgie de lIMF
- principaux facteurs externes ayant une influence sur lactivit de lIMF
- stratgie de ciblage de la clientle
Rapport sur ltude de terrain
- adaptations fondes sur les conditions locales
- mthode dchantillonnage et zones tudies
- obstacles inhabituels rencontrs lors de la collecte de donnes
Prsentation des rsultats
- indicateurs utiliss dans le calcul de lindice de pauvret
- rsultats locaux quantitatifs reprsents graphiquement, agrgs et dcomposs par zone dtude
et par programme
- comparaison du niveau de pauvret de la zone oprationnelle de lIMF par rapport au niveau de
pauvret national
- comparaison entre pays laide du classement IDH
Interprtation qualitative des rsultats et recommandations
- orientation future de lIMF par rapport au ciblage des pauvres
- changement dans la stratgie et lenvironnement oprationnel de lIMF
La diffusion des rsultats de ltude que ce soit sous la forme dune publication ou dun
bulletin dinformation requiert le consentement de lorganisme bailleur et de lIMF, qui doit
tre autorise relire lensemble des documents avant publication.
136
ANNEXE 1
APPROCHES ALTERNATIVES
DEVALUATION DE LA PAUVRETE
Il existe trois principales mthodes dvaluation du niveau de pauvret dun mnage : (i) analyse
des dpenses du mnage et calcul dun seuil de pauvret, (ii) mthodes de recherche acclre ou
participative et (iii) analyse dindicateurs laide dun indice de pauvret relative.
Le dtail de ces mthodes et de leurs avantages et inconvnients en tant quoutils pratiques est
brivement dcrit ci-dessous lintention de lvaluateur. Un certain nombre de rfrences sont
galement fournies pour les lecteurs souhaitant approfondir leur connaissance de ces mthodes.
Etude dtaille des dpenses des mnages
La mthode danalyse des dpenses est couramment utilise dans les enqutes sur les mnages au
plan national, telles que lenqute de mesure du niveau de vie (Living Standard Measurement
Survey) de la Banque mondiale. Pour lvaluation de la pauvret, la pratique courante consiste
utiliser le montant total des dpenses des mnages comme mesure principale de leur niveau de
vie. Cette mthode part du principe que le montant total des dpenses constitue une bonne
mesure de la matrise du mnage sur les biens et services quil choisit de consommer.
Le critre de base utilis pour valuer si le mnage est pauvre ou non est le niveau de ses
revenus. Ceux-ci sont- ils suffisants pour rpondre aux besoins de base (alimentaires et autres) de
tous les membres du mnage, leur permettant une vie active et saine ? Pour raliser lvaluation,
on constitue un panier de biens et services satisfaisant un niveau prdfini de besoins
lmentaires. Ce panier correspond aux schmas de consommation locaux et sa valeur est
calcule sur la base des prix locaux la consommation, au cot minimum dacquisition.
La valeur de ce panier daliments, marchandises, et services minimum est alors baptis seuil de
pauvret . Ce seuil de pauvret est le plus gnralement exprim en montant par personne. Si le
revenu par personne des membres du mnage est au-dessous du seuil de pauvret, le mnage et
ses membres sont considrs comme pauvres. Dans le cas contraire, le mnage est class dans la
catgorie non-pauvre. Pour d'autres rfrences relatives aux enqutes sur les dpenses des
mnages et le seuil de pauvret, voir par exemple Aho, Larivire et Martin (1997) ; Chung et al.
(1997) ; et Lipton et Ravaillon (1995).
L'avantage de cette mthode est qu'elle est largement reconnue et quelle constitue un outil assez
prcis de mesure de la pauvret, du moins en ce qui concerne la dimens ion du revenu. La
mthode du seuil de pauvret permet la comparaison entre clients des IMF et non-clients
lintrieur d'une zone donne d'un pays et dun pays lautre. Cependant, cette mthode
implique des conditions de collecte des donnes trs exigeantes et requiert des questionnaires
standardiss trs complets. La pratique standard consiste collecter des donnes sur la
consommation alimentaire portant sur la semaine prcdant lenqute et combinant des
137
informations sur diffrents biens non alimentaires se rapportant des priodes mensuelles et
annuelles. Bien que les mnages pauvres dans les pays en dveloppement consomment un
nombre rduit de biens, l'exactitude des donnes rapportes est toujours un problme, tant
donn la dure sur laquelle portent les informations.
Une mthode plus prcise consiste demander aux mnages de tenir un compte crit de leurs
dpenses, mais ceci est difficilement envisageable dans des pays ou des environnements o
lanalphabtisme est courant. En outre, mme si les articles de consommation sont nots avec
prcision, dautres problmes demeurent : lorsque linformation sur les marchs est inexistante, il
faut trouver dautres moyens de dterminer la valeur des produits cultivs par le mnage ;
lirrgularit des poids et mesures complique la fixation des quantits ; linformation relative
certains biens de valeur, comme la valeur de location dune habitation, est souvent insuffisante.
Etant donn ces difficults, on peut sattendre ce que les donnes collectes sur les dpenses
des mnages souffrent dinexactitude. Bien sr, lampleur de ces difficults peut tre
considrablement diminue par une formation approfondie des enquteurs, des visites multiples
auprs de mnages et le catalogage des poids et mesures informels. Cependant, limpact sur le
cot de lenqute et le temps ncessaire aux contrles a toutes les chances dtre trs lev.
En outre, lanalyse des donnes sur les dpenses ncessite des comptences spcialises en
analyse statistique. Ce besoin se traduit par des cots levs la fois pour la collecte et lanalyse
des donnes. Un autre inconvnient de cette mthode rside dans le fait que la dfinition du
panier de biens et services alimentaires et non alimentaires correspondant au niveau de vie
standard minimum peut diffrer dun pays lautre, ce qui rend difficile les comparaisons
internationales.
Le cot dune enqute sur la clientle dune IMF peut tre rduit si lvaluateur a accs aux
donnes de rfrence dune enqute nationale rcente sur la pauvret des mnages. Si ces
donnes sont accessibles, lanalyste peut choisir dentreprendre une enqute similaire sur les
mnages ne portant que sur les clients de lIMF, et de comparer ces rsultats avec les rfrences
nationales (voir par exemple Navajas et al. 2000). Si cette approche est susceptible de rduire les
cots, elle nest cependant envisageable que dans les pays qui ont rcemment entrepris une
enqute de pauvret nationale. Dans beaucoup de pays en dveloppement, ces donnes sont
inexistantes, obsoltes ou difficiles et coteuses obtenir. En termes de cot, il faut aussi prvoir
que lvaluateur devra prendre beaucoup de temps pour se familiariser avec les donnes
nationales.
En rsum, si la mthode denqute sur les dpenses des mnages reprsente une mesure fiable et
valide de la pauvret, elle est beaucoup trop coteuse, lourde et techniquement exigeante pour
constituer la mthode la plus pratique dvaluation du niveau de pauvret des clients dune IMF.
Recherche acclre et recherche participative
Deux autres mthodes utilises pour lvaluation de la pauvret sont la recherche acclre
(Rapid Appraisal) et la recherche participative (Participatory Appraisal). On confond souvent
ces deux mthodes, car toutes deux consistent susciter le partage dinformation de la part de la
138
communaut et de ses membres laide de techniques similaires, telles que le classement par
niveau de richesse et la cartographie communautaire.
Lobjectif ultime de la recherche participative est lmancipation du groupe cible, qui passe par
la participation large de la communaut et suppose un programme de recherche et
dveloppement ouvert. Cette mthode demande du temps. La recherche acclre linverse a
pour but de fournir aux valuateurs des donnes sur la communaut dans un laps de temps trs
court. Cette mthode ncessite aussi la participation de la communaut mais dans un cadre
temporel limit et court (habituellement visite dun jour la communaut) et le programme est
dtermin lavance.
Les mthodes de recherche acclre et participative sont des outils largement utiliss et
reconnus pour lidentification de groupes vulnrables au sein dune communaut. Ils sont trs
couramment utiliss par les programmes et institutions de dveloppement, notamment par les
IMF, pour orienter leurs services sur les clients pauvres (Hatch et Frederick 1998). La mthode
de recherche acclre en particulier est apprcie parce que la collecte des donnes est trs
rapide.
Si ces mthodes sont adaptes au ciblage et la conception participative des projets et services
de dveloppement, elles prsentent un certain nombre dinconvnients pour les valuations de la
pauvret cherchant faire des comparaisons rgionales, nationales ou internationales. Dabord
les rsultats sont difficiles vrifier, car ils sont fonds sur lavis subjectif des membres de la
communaut quant au niveau de pauvret de chacun. Ensuite, lapproche a toutes les chances de
trouver des personnes pauvres dans toutes les communauts et peu prs le mme pourcentage
de personnes pauvres dans tous les villages.
En dautres termes, cette mthode peut tre utile pour dfinir le tiers le plus pauvre dun village,
mais moins pour dterminer quelles sont les communauts dans lesquelles rside le tiers le plus
pauvre dune rgion. Enfin, la mthode de recherche participative requiert des communicateurs
comptents et expriments. Dans le cadre de comparaisons nationales et internationales, il faut
par ailleurs tre bien conscient du biais potentiel rsultant de la manire dont la mthode a t
mise en uvre.
Mthode fonde sur les indicateurs
Une autre mthode dvaluation de la pauvret des mnages consiste identifier une srie
dindicateurs reprsentatifs des diffrentes dimensions de la pauvret, pour lesquels des
informations fiables peuvent tre collectes de manire rapide et peu coteuse. Une fois
collectes les informations relatives aux indicateurs, ceux-ci peuvent tre agrgs sous la forme
dun indice de pauvret unique. Lannexe 2 dtaille les attributs souhaitables des indicateurs de
pauvret.
Lune des applications bien connues de cette mthode est lIndice de dveloppement humain
(IDH) du Programme des Nations-Unies pour le Dveloppement (les valeurs de lIDH utilises
dans ce manuel sont celles de ldition PNUD 2000). Celui-ci se fonde sur trois composantes :
niveau dducation atteint, esprance de vie la naissance, et revenu par habitant (en dollars en
139
parit de pouvoir dachat). Les deux derniers indicateurs sont coteux mesurer par des enqutes
et donc peu oprationnels.
Un autre exemple est lindice de logement (housing index), utilis par de nombreuses IMF
(particulirement en Asie du Sud et du Sud-Est) pour cibler les clients pauvres. Son avantage
rside dans le fait que les indicateurs entrant dans la composition de lindice, tels que la qualit
du toit ou des murs de lhabitation, peuvent tre rapidement renseigns par une inspection
visuelle de la maison. Linconvnient majeur de cette mthode est quelle se concentre sur un
seul aspect de la pauvret (lhabitat), sans tenir compte daspects complmentaires, tels que la
scurit alimentaire et les ressources humaines. En outre, cet indice nest pas applicable dans un
environnement o lhabitat est homogne au sein de la communaut, ou quand il ne constitue pas
un aspect important de la pauvret, par exemple dans une rgion bnficiant de conditions
climatiques clmentes.
En principe, le temps et le cot associs la collecte et lanalyse des donnes dans le cas de
cette mthode par indicateurs sont relativement limits si le nombre dindicateurs de lindice de
pauvret est restreint. La mthode est considre comme valide si plusieurs dimensions de la
pauvret sont prises en compte. Cest pour ces raisons que la mthode par indicateurs a t
retenue pour mesurer le niveau de pauvret des clients des IMF dans lOutil dvaluation de la
pauvret en microfinance.
Dune manire gnrale, un bon indicateur est une mesure facilement observable, vrifiable et
fournissant une description objective de la pauvret. Il est recommand dutiliser une gamme
large dindicateurs pour saisir les diffrentes dimensions sous-jacentes de la pauvret relative des
mnages.
Deux principaux types dindicateurs peuvent tre utiliss pour valuer le niveau rel de la
pauvret dun mnage : les indicateurs relatifs au revenu et les indicateurs relatifs la
consommation. Les tudes ayant compar diffrents indicateurs relatifs au revenu et la
consommation montrent quil est difficile de recommander une approche plutt quune autre
(Skoufias, Davis et Sotto 2000). Cependant, le schma de consommation dans le temps (saisons
ou annes) est plus stable que celui des revenus, et les mnages donnent plus facilement des
informations sur ce quils consomment que sur ce quils gagnent. Cest pourquoi cet outil repose
sur des indicateurs choisis relatifs la consommation, bien que certains indicateurs slectionns
traduisent les moyens dont dispose le mnage pour augmenter son niveau de vie.
La principale difficult lie au choix dindicateurs fiables est didentifier des composantes cls
de la consommation qui soient ou des mesures non ambigus de la pauvret en elles- mmes
(comme les pisodes de famine) ou des mesures dmontrant une bonne corrlation avec le
montant total des dpenses du mnage. Ainsi, il nest pas ncessaire de compiler toutes les
dpenses alimentaires et non alimentaires dun mnage, car certains types de dpenses
uniquement sont fortement corrls avec le niveau de pauvret du mnage.
Des tudes ont montr que la proportion des dpenses en vtements et chaussures dans le budget
des mnages restait stable diffrents niveaux de revenu, soit entre 5 et 10 pour cent des
dpenses totales (Aho, Larivire et Martin 1997 ; Minten et Zeller 2000). Une tude rcente
mene par Morris et autres (1999) a conclu que les dpenses dhabillement taient lune des
140
dpenses qui augmentait proportionnellement aux dpenses totales du mnage. Etant donn que
lhabillement, contrairement aux produits alimentaires, ncessite habituellement lachat dun
vtement fini ou de matriel pour raliser un vtement, il vite galement les problmes
destimation de la valeur marchande poss par lautoconsommation alimentaire.
140
ANNEXE 2
LISTE DES INDICATEURS DE PAUVRETE ET LEUR
CLASSEMENT
Classement des indicateurs de pauvret
Cette annexe dtaille les indicateurs individuels utiliss dans la mthodologie dtude de la pauvret
et leur classement par rapport aux critres de slection cls. Un score est attribu chaque indicateur
en fonction des critres suivants :
M statistiquement dterminant dans certains modles statistiques
N valable au plan national (peut tre utilis dans diffrents contextes locaux, urbains ou
ruraux)
O question peu sensible (peut tre pose de manire ouverte)
P pratique (peut tre renseign aussi bien par observation que par une question)
Q de qualit leve (lindicateur permet de distinguer sensiblement les niveaux de
pauvret)
R fiable (faible risque derreur ou de falsification ; peut tre vrifi)
S simple (rponse directe par opposition une donne calcule)
T demandant peu de temps (peut tre rapidement renseign)
U universel (peut tre utilis dans diffrents pays)
Lorsque lindicateur remplit lun des critres ci-dessus, il est marqu dune lettre en majuscule.
Lorsquil ne satisfait pas au critre, la lettre est indique en minuscule. Le score de lindicateur
correspond au nombre de lettres en majuscule ; il schelonne entre 0 et 9.
Groupe dindicateurs 1 : Facteurs dterminants de la production de richesses
Capital humain
Score Indicateur Critres
Structure de la famille
6 Nombre/ge des adultes (18-55), homme/femme M N O p q R S t U
7 Nombre/ge des enfants dge prscolaire (0-6) M N O p q R S t U
6 Nombre/ge des enfants (7-17), garon/fille M N O p q R S t U
6 Nombre/ge des personnes ges (>55) M N O p q R S t U
6 Femme la tte du mnage M N O p q R S t U
6 Nombre de personnes invalides m N O p q R S T U
6 Nombre de femmes ayant eu un enfant avant 16 ans m N O p q R S T U
141
Score Indicateur Critres
Education
5 Nombre denfants en ge dtre scolariss m N O p q R S t U
6 Distance jusqu lcole m n O P q R S T U
7 Niveau dalphabtisation des adultes M N O p q R S T U
6 Nombre dannes de scolarisation des adultes M N O p q R S t U
7 Niveau dducation atteint par le chef de mnage M N O p q R S T U
Revenus
Revenus agricoles
4 Revenu moyen mensuel/annuel du mnage M N o p Q r s t U
6 Source de revenu agricole (culture vivrire/c. de rente/btail) M N O p q R S T u
6 Statut demploi (autoemploy/agriculteur) m N O p q R S T U
4 Rendement des cultures de lanne passe m N O p q r s T U
Revenus non agricoles
4 Revenu moyen mensuel/annuel du mnage M N o p Q r s t U
6 Situation demploi m N O p q R S T U
6 Source de revenu non agricole M N O p q R S T u
6 Nombre demploys (famille/salaris) de la microentreprise m N O p q R S T U
7 Nombre dadultes salaris m N O p Q R S T U
7 Nombre dadultes sans emploi m N O p Q R S T U
4 Montant de la dot m N O p q r S T u
7 Travail des enfants m N O p Q R S T U
Transferts
6 Envoi de fonds de la part de travailleurs migrants (du pays/de ltranger) M N O p Q r S T u
5 Pension (vieillesse) m N O p q r S T U
3 Dons de la famille, des amis, des voisins m N O p q r s t U
6 Pension sociale m N O p Q r S T U
Endettement
5 Dettes auprs dinstitutions financires M N o p q r S T U
4 Dettes auprs de prteurs privs ou de commerants m N o p Q r S t U
3 Dettes auprs damis ou de la famille m N o p q r S t U
Actifs
Terrains
6 Sans terre (oui/non) M n O p Q r S T U
5 Valeur du terrain dtenu, lou M n O p Q r s T U
5 Qualit du terrain m n O p Q r S T U
3 Taille du terrain m n O p q r s T U
4 Valeur marchande du terrain m n O p Q r s T U
142
Score Indicateur Critres
5 Rgime de proprit foncire m n O p q R S T U
6 Accs lirrigation M n O p Q R S T u
3 Superficie des terres irrigues/non irrigues m n O p Q r S t u
6 Utilisation dintrants agricoles m n O p Q R S T U
Autres actifs productifs
7 Nombre/type/valeur des animaux M N O p Q R S t U
5 Nombre/type/valeur des arbres m N O p q r S T u
5 Nombre/type/valeur des constructions, machines, quipements m N O p Q R s t U
7 Nombre/type/valeur des voitures/mobylettes/bicyclettes m N O p Q R S T U
6 Niveau dpargne montaire dpose dans une institution financire m N O p Q r S T U
4 Niveau des crdits accords des amis, parents, voisins m N O p q r S t U
Actifs non productifs
5 Nombre et type dustensiles de cuisine m N O p q R S t U
5 Nombre et type de bijoux m N O p q R S t U
7 Appareils lectriques (radio, TV, tlphone) m N O p Q R S T U
Groupe dindicateurs 2 : Besoins lmentaires
Sant
5 Immunisation des enfants m n O p q R S T U
6 Nombre de jours de travail perdus pour raisons de sant m N O p q R S T U
6 Frquence des maladies lies la contamination de leau/aliments m N O p Q R S t U
5 Frquence des maladies lies lhygine domestique m N o p Q R S t U
5 Nombre denfants de moins de 6 ans dcds de maladies m N o p q R S T U
6 Accs aux services mdicaux m N O p q R S T U
6 Enfants ns lhpital/clinique ou domicile (accoucheuse) m N O p Q R S t U
Alimentation/eau
7 Nombre de repas par jour m N O p Q R S T U
6 Apport calorique journalier M N O p Q R s t U
8 Consommation hebdomadaire de viande, poisson ou aliment de luxe M N O p Q R S T U
7 Substitution par des produits de base (moins chers) m N O p Q R S T U
7 Besoin dacheter des produits de base pendant la saison de soudure m N O p Q R S T U
5 Niveau de malnutrition des enfants m N O p Q R s t U
7 Type daccs leau potable m N O P q R S T U
143
Habitat
Score Indicateur Critres
Indice de logement
7 Taille de lhabitat m N O P q R S T U
7 Nombre dtages m N O P q R S T U
7 Etat de la structure m N O P Q R S T u
7 Matriau de construction du toit m N O P Q R S T u
7 Matriau de construction des murs m N O P Q R S T u
6 Fourniture en lectricit m N O P q R S T u
7 Alimentation en eau par canalisations m N O P Q R S T u
7 Vhicule m N O p Q R S T U
5 Valeur marchande de la maison m N O p Q r S t U
6 Proprit de la maison m N O p q R S T U
6 Menace dexpulsion (zone urbaine) m n O p Q R S T U
7 Type de toit/murs/sol m N O P Q R S T u
6 Source dclairage m N O P q R S T u
6 Source de combustible m N O p Q R S T u
7 Type de latrines m N O p Q R S T U
5 Installation douche/bain m N O p q R S T u
5 Conditions de couchage m N O p q R S T u
4 Mobilier m N O p q R S t u
Dpenses
5 Dpenses alimentaires hebdomadaires M N O p Q r s t U
6 Achat daliments de base plus dune fois par semaine M n O p q R S T U
5 Dpenses non alimentaires hebdomadaires M N O p Q r s t U
5 Part des dpenses alimentaires dans le budget total m N O p Q r s T U
5 Montant des dpenses inhabituelles au cours du dernier mois m N O p q R s T U
6 Versement priodique loyer/remboursement crdit habitat m N O p q R S T U
5 Cot damliorations rcentes de lhabitat m N O p q R S t U
Groupe dindicateurs 3 : Autres aspects des conditions de vie
Scurit
6 Nombre de mois avec nourriture insuffisante m n O p Q R S T U
6 Nombre de mois de migration m N O p q R S T U
5 Nombre de rcoltes nulles au cours des 3 dernires annes m n O p q R S T U
6 Nombre de catastrophes naturelles au cours des 3 dernires annes m N O P q R S T u
4 Stratgie en cas de crise imprvue dans le flux de revenus,
question ouverte m N O p q R s t U
144
Score Indicateur Critres
Situation sociale
6 Appartenance une caste m N O p Q R S T u
5 Groupe ethnique m N O p q R S T u
5 Minorit m N O p q R S T u
4 Niveau de participation dans lorganisation locale m N O p q R s t U
4 Relation avec les lites locales m N O p q R s t U
7 Sexe M N O p q R S T U
6 Situation matrimoniale m N O p q R S T U
Environnement local
5 Distance jusqu une route carrossable m n O P q R S T u
7 Distance jusqu banque/poste/transport public/services de sant/cole
M n O P q R S T U
145
ANNEXE 3
QUESTIONNAIRE RECOMMANDE
Evaluation du niveau de vie des mnages
Institut de recherche local
Une tude finance par __________________________________
______________________________________________________________________________
Section A. Identification du mnage
A1. Date (jj/mm/aaaa) : __/__/_____
A2. Code du lieu :
A3. Code de la grappe :
A4. Code du groupe :
A5. Nom du groupe :
A6. Code du mnage :
A7. Mnage choisi comme (1) client de lIMF ou (2) non-client ?
A8. Le mnage est- il pris sur la liste de remplacement ? (0) non (1) oui
A9. Si oui, quen tait- il du mnage initial ? : (1) introuvable, (2) ne souhaitait pas rpondre,
(3) statut mal identifi
A10. Nom de la personne interroge :
Nom du chef de mnage :
Adresse du mnage :
A11. Code enquteur : A12. Date vrification par superviseur (jj/mm/aaaa) :___/___/_____
A13. Signature du superviseur : _______________________________
146
Section B. Structure de la famille
B1. Membres adultes du mnage (15 ans et plus )
code
ID
Nom
Situa-
tion
du
chef
de m-
nage
(A)
Rela-
tion
avec le
chef de
mnage
(B)
Sexe
(C)
Age
Dernier
niveau
dtude
atteint
(D)
Ma-
trise
de
lcri-
ture
(E)
Princi-
pale
activit,
anne
en
cours
(F)
Mem-
bre de
lIMF
tudie
(G)
Montant
emprunt
auprs de
lIMF
tudie
Dpenses
vestimentai
res au c. des
12 derniers
mois
(monnaie
locale)
(H)
1 (chef de mnage) ---
2 ---
3 ---
4 ---
5 ---
6 ---
7 ---
8 ---
(A) 1 - clibataire, 2 - mari(e), avec conjoint vivant au sein du mnage, 3 - mari(e), avec conjoint migrant, 4 - veuf(ve),
5 - divorc(e) ou spar(e)
(B) 1 - conjoint, 2 - fils ou fille, 3 - pre ou mre, 4 petit fils/fille, 5 grand-parent, 6 - autre parent, 7 - autre sans parent
(C) 1 - masculin, 2 - fminin
(D) 1 - pas dtudes primaires, 2 - dbut tudes primaires, 3 - tudes primaires compltes, 4 - cole technique, 5 - dbut tudes
secondaires, 6 - tudes secondaires compltes, 7 - cole suprieure ou universit
(E) 0 - non, 1 - oui
(F) 1 - auto-emploi dans lagriculture, 2 - auto-emploi dans une entreprise non agricole, 3 - tudiant, 4 - ouvrier sans travail fixe, 5 - travailleur
salari, 6 - travail domestique, 7 - la recherche dun emploi, 8 - retrait ou ne cherchant pas travailler, 9 - incapacit physique (handicap)
(G) 0 - non, 1 - oui
(H) Pour obtenir une rponse prcise, mieux vaut chercher connatre les dpenses vestimentaires de chaque adulte en prsence du conjoint du
chef de mnage. Si les vtements ont t confectionns domicile, fournir le cot du matriel (fil, tissu, boutons, aiguilles)
B2. Membres enfants du mnage (de 0 14 ans)
code ID Nom Age
Dpenses vestimentaires au cours
des 12 derniers mois (monnaie
locale)*
1
2
3
4
5
6
7
8
9
10
* Les questions sur les dpenses vestimentaires pour les enfants sont poses aprs celles concernant les adultes. Ces questions
sont poses en prsence du conjoint du chef de mnage. Dans le cas darticles prts porter, noter le prix dachat total ; dans
les autres cas, noter le cot du tissu, ainsi que les frais de retouche et de couture.
147
Section C. Indicateurs relatifs lalimentation
(Le chef de mnage et son conjoint doivent tous deux tre prsents au moment o sont poses
ces questions.)
C1. Un vnement spcial a-t- il eu lieu au cours des deux derniers jours (par ex. vnement
familial, invits) ? (0) non (1) oui
C2. Si non, combien de repas ont t servis aux membres du mnage au cours des 2 derniers
jours ?
(Si oui, combien de repas ont t servis aux membres du mnage au cours des 2 jours
prcdant cet vnement spcial ?)
C3. Des vnements spciaux ont- il eu lieu au cours des sept derniers jours (par ex. vnement
familial, invits ?) (0) non (1) oui
(Si oui , pour les questions C4 et C5 les sept derniers jours doivent dsigner la
semaine prcdant lvnement spcial.)
C4. Au cours des sept derniers jours, combien de jours les aliments suivants ont- ils t servis
au cours dun repas principal du mnage ?
Aliments de luxe Nombre de jours
Aliment de luxe 1
Aliment de luxe 2
Aliment de luxe 3
C5. Au cours des sept derniers jours, pendant combien de jours le repas principal na consist
quen un aliment de qualit infrieure ?
C6. Au cours des 30 derniers jours, pendant combien de jours votre mnage na-t-il pas eu
suffisamment manger tous les jours ?
C7. Au cours des 12 derniers mois, pendant combien de mois votre mnage a-t- il manqu de
nourriture au moins un jour ?
C8. A quelle frquence achetez-vous les articles suivants ?
Aliments de base Frquence
Aliment de base 1
Aliment de base 2
Aliment de base 3
(1) quotidiennement (2) 2 fois par semaine (3) 1 fois par semaine (4) tous les 15 jours
(5) 1 fois par mois (6) moins dune fois par mois
148
C9. Combien de semaines couvre votre stock de produits de base locaux ?
Aliments de base Dure du stock
(en semaines)
Aliment de base 1
Aliment de base 2
Aliment de base 3
Section D. Indicateurs relatifs lhabitat
(Les informations collectes doivent concerner le lieu dhabitation actuel du mnage.)
D1. Combien de pices compte la maison ? (inclure les pices part situes dans le mme
primtre si elles appartiennent au mme mnage)
D2. De quel type de matriau le toit de lhabitat principal est- il fait ? (1) toile goudronne,
bches plastiques, ou branches et brindilles (2) herbes (3) pierre ou ardoise (4) plaques
daluminium (5) tuiles de brique (6) bton
D3. De quel matriau les murs extrieurs sont- ils faits ? (1) toile goudronne, bches
plastiques, ou branches et brindilles (2) terre (3) tles daluminium (4) bois (5) briques
ou pierres lies par de la terre (6) briques ou pierres lies par du ciment
D4. Quel est le type de sol de lhabitat ? (1) terre (2) bois (3) ciment (4) ciment et matriau
couvrant
D5. Daprs les observations, quel est ltat de lhabitat principal ? (1) trs dlabr (2) aurait
besoin de grosses rparations (3) structure saine
D6. La maison est-elle alimente en lectricit ? (1) pas de connexion (2) connexion partage
(3) connexion propre
D7. Quel est le type de combustible le plus utilis pour la cuisson ? (1) bouses sches (2)
bois ramass (3) bois achet (4) charbon de bois (5) ptrole (6) gaz (7) lectricit
D8. Quelle est la source deau potable utilise ? (1) eau de pluie, barrage, tang, lac ou rivire
(2) source (3) puits public ouvert (4) puits public ferm par une pompe (5) puits dans une
cour prive (6) adduction deau publique (7) adduction deau dans la maison
D9. De quel type dinstallations sanitaires lhabitat est- il pourvu ? (1) buisson, champ ou pas
dinstallation (2) simple fosse (3) fosse privative (4) latrines fosse amliores et
ventiles (5) latrines privatives plus sophistiques (6) toilettes avec chasse deau,
communes ou privatives
149
Section E. Indicateurs relatifs la possession dactifs
E1. Surface du terrain dtenu : Agricole :______________ Non agricole : ______________
Valeur du terrain dtenu : Agricole :______________ Non agricole : ______________
E2. Nombre et valeur des actifs slectionns dtenus par le mnage (demander au mnage
didentifier les biens achets grce au prt de lIMF et liminer ces actifs du tableau)
Type dactif et code
Nombre dactifs
dtenus
Valeur de revente au prix
courant du march
Btail
1. Bovins et buffles
2. Moutons, chvres et cochons
adultes
3. Volaille et lapins adultes
4. Chevaux et nes
Moyens de transport
5. Voiture
6. Motocyclette
7. Bicyclette
8. Autre vhicule
9. Charrette
Appareils mnagers/lectriques
10. Tlvision
11. Magntoscope
12. Rfrigrateur
13. Cuisinire lectrique ou gaz
14. Machine laver
15. Radio
16. Ventilateur
E3. Selon vous, quel est globalement le niveau de richesse des clients de lIMF ? (1) pauvre
(2) moyen (3) riche (4) ne connat pas lIMF
______________________________________________________________________________
150
ANNEXE 4
INDICE DE DEVELOPPEMENT HUMAIN DU PNUD
(IDH), 1998
Rang Pays Valeur
1
(1988)
Dveloppement humain lev
1 Canada 0,935
2 Norvge 0,934
3 Etats-Unis 0,929
4 Australie 0,929
5 Islande 0,927
6 Sude 0,926
7 Belgique 0,925
8 Pays-Bas 0,925
9 Japon 0,924
10 Royaume-Uni 0,918
11 Finlande 0,917
12 France 0,917
13 Suisse 0,915
14 Allemagne 0,911
15 Danemark 0,911
16 Autriche 0,908
17 Luxembourg 0,908
18 Irlande 0,907
19 Italie 0,903
20 Nouvelle-Zlande 0,903
21 Espagne 0,899
22 Chypre 0,886
23 Isral 0,883
24 Singapour 0,881
25 Grce 0,875
26 Hong Kong, Chine (SAR) 0,872
27 Malte 0,865
28 Portugal 0,864
29 Slovnie 0,861
30 Barbade (La) 0,858
31 Core, Rpublique de 0,854
1
Programme des Nations Unies pour le dveloppement (PNUD), Rapport sur le dveloppement humain
2000 (New York: Oxford University Press, 2000), 157-60. Disponible sur Internet ladresse
www.undp.org.
Rang Pays Valeur
(1988)
151
32 Brunei Darussalam 0,848
33 Bahamas 0,844
34 Rpublique tchque 0,843
35 Argentine 0,837
36 Kowet 0,836
37 Antigua-et-Barbuda 0,833
38 Chili 0,826
39 Uruguay 0,825
40 Slovaquie 0,825
41 Bahren 0,820
42 Qatar 0,819
43 Hongrie 0,817
44 Pologne 0,814
45 Emirats arabes unis 0,810
46 Estonie 0,801
Dveloppement humain moyen
47 Saint-Kitts-et-Nevis 0,798
48 Costa Rica 0,797
49 Croatie 0,795
50 Trinit-et-Tobago 0,793
51 Dominique 0,793
52 Lituanie 0,789
53 Seychelles 0,786
54 Grenade 0,785
55 Mexique 0,784
56 Cuba 0,783
57 Bilorussie 0,781
58 Honduras britannique 0,777
59 Panama 0,776
60 Bulgarie 0,772
61 Malaisie 0,772
62 Fdration russe 0,771
63 Lettonie 0,771
64 Roumanie 0,770
65 Venezuela 0,770
66 Fidji (les) 0,769
67 Suriname 0,766
68 Colombie 0,764
69 Macdoine, TFYR 0,763
70 Georgie 0,762
71 Maurice (le) 0,761
72 Jamahiriya 0,760
73 Kazakhstan 0,754
Rang Pays Valeur
(1988)
152
74 Brsil 0,747
75 Arabie saoudite 0,747
76 Thalande 0,745
77 Philippines 0,744
78 Ukraine 0,744
79 Saint-Vincent-et- les Grenadines 0,738
80 Prou 0,737
81 Paraguay 0,736
82 Liban 0,735
83 Jamaque 0,735
84 Sri Lanka 0,733
85 Turquie 0,732
86 Oman 0,730
87 Rpublique Dominicaine 0,729
88 Sainte-Lucie 0,728
89 Maldives 0,725
90 Azerbadjan 0,722
91 Equateur 0,722
92 Jordanie 0,721
93 Armnie 0,721
94 Albanie 0,713
95 Samoa Occidentale 0,711
96 Guyane 0,709
97 Iran, Rp. Islamique d 0,709
98 Kirghizistan 0,706
99 Chine 0,706
100 Turkmnistan 0,704
101 Tunisie 0,703
102 Moldavie, Rpublique de 0,700
103 Afrique du Sud (Rpublique d) 0,697
104 Salvador 0,696
105 Cap-Vert (le du) 0,688
106 Ouzbkistan 0,686
107 Algrie 0,683
108 Vietnam 0,671
109 Indonsie 0,670
110 Tadjikistan 0,663
111 Syrie (Rpublique arabe) 0,660
112 Swaziland 0,655
113 Honduras 0,653
114 Bolivie 0,643
115 Namibie 0,632
116 Nicaragua 0,631
117 Mongolie 0,628
118 Vanuatu 0,623
Rang Pays Valeur
(1988)
153
119 Egypte 0,623
120 Guatemala 0,619
121 Salomon (les) 0,614
122 Botswana 0,593
123 Gabon 0,592
124 Maroc 0,589
125 Myanmar 0,585
126 Irak 0,583
127 Lesotho 0,569
128 Inde 0,563
129 Ghana 0,556
130 Zimbabwe 0,555
131 Guine quatoriale 0,555
132 So Tom et Prncipe 0,547
133 Papouasie-Nouvelle-Guine 0,542
134 Cameroun 0,528
135 Pakistan 0,522
136 Cambodge 0,512
137 Comores (Les) 0,510
138 Kenya 0,508
139 Congo 0,507
Dveloppement humain faible
140 Laos, Rpublique populaire dmocratique 0,484
141 Madagascar 0,483
142 Bhoutan 0,483
143 Soudan 0,477
144 Npal 0,474
145 Togo 0,471
146 Bangladesh 0,461
147 Mauritanie 0,451
148 Ymen 0,448
149 Djibouti 0,447
150 Hati 0,440
151 Nigeria 0,439
152 Congo, Rpublique dmocratique du 0,430
153 Zambie 0,420
154 Cte dIvoire 0,420
155 Sngal 0,416
156 Tanzanie, Rpublique Unie de 0,415
157 Bnin 0,411
158 Ouganda 0,409
159 Erythre 0,408
160 Angola 0,405
Rang Pays Valeur
(1988)
154
161 Gambie 0,396
162 Guine 0,394
163 Malawi 0,385
164 Rwanda 0,382
165 Mali 0,380
166 Rpublique centrafricaine 0,371
167 Tchad 0,367
168 Mozambique 0,341
169 Guine-Bissau 0,331
170 Burundi 0,321
171 Ethiopie 0,309
172 Burkina Faso 0,303
173 Niger 0,293
174 Sierra Leone 0,252
Tous pays en dveloppement 0,642
ANNEXE 5
INFORMATIONS SUR LES FICHIERS DE DONNES
Fichier des mnages F1
Liste des variables des fichiers de travail
Nom Position
DATE date de l'interview 1
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: EDATE8
Write Format: EDATE8
CODE code du mnage 2
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F4
Write Format: F4
RGION rgion d'enqute 3
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F2
Write Format: F2
Value Label
1 est
2 central
3 nord
4 ouest
5 sud
MFICLIEN type de client (non client, caisse classique) 4
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F2
Write Format: F2
Value Label
0 non membre
1 Membre caisse classique
REPLAC mnage de la liste de remplacement? 5
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F2
Write Format: F2
Value Label
0 Non
1 Oui
ORIGIN mnage d'origine 6
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F2
Write Format: F2
Value Label
1 non trouv
2 ne dsire pas rpondre
3 statut de client mal renseign
NOMENQ nom de l'enqut 7
Measurement Level: Nominal
Column Width: 8 Alignment: Left
Print Format: A20
Write Format: A20
NOMMEN nom du mnage 8
Measurement Level: Nominal
Column Width: 8 Alignment: Left
Print Format: A20
Write Format: A20
NBMB nombre de membres 9
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F8
Write Format: F8
EVEN2J vnement spcial dans les 2 jours? 10
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F8
Write Format: F8
Value Label
0 Non
1 Oui
NBREPAS nb de repas servis sur les deux derniers jours 11
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F8
Write Format: F8
PL1 produit de luxe1 12
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F8
Write Format: F8
Value Label
1 Anguille
2 Poulet ou canard ou autre volaille
3 Viande de porc
4 Viande de zbu
5 Poisson
6 Lgumes
7 Autre
CONSPL1 consommation produit de luxe1 13
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F8
Write Format: F8
PL2 produit de luxe2 14
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F8
Write Format: F8
Value Label
1 Anguille
2 Poulet ou canard ou autre volaille
3 Viande de porc
4 Viande de zbu
5 Poisson
6 Lgumes
7 Autre
CONSPL2 Consommation produit de luxe2 15
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F8
Write Format: F8
CONSPL3 Consommation produit de luxe3 16
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F8
Write Format: F8
PL3 Produit de luxe3 17
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F8
Write Format: F8
Value Label
1 Anguille
2 Poulet ou canard ou autre volaille
3 Viande de porc
4 Viande de zbu
5 Poisson
6 Lgumes
7 Autre
PINF Produit inferieur 18
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F8
Write Format: F8
Value Label
1 Brdes ou autres feuilles
2 Angivy
3 Petites crevettes sches
4 Manioc fruits pain igname
5 autre
CONSPINF Consommation produit inferieur 19
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F8
Write Format: F8
STATMAIS Statut de la maison 20
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 En proprit
2 Prete par de la famille ou d'autre personne sans frais
3 Fournie par le gouvernement
4 Loue
SQUAT La maison est squatte 21
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
0 Non
1 Oui
NBETAGE Nombre d'tages 22
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
NBPIECE Nombre de pices 23
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
NBCHAMB Nombre de chambres coucher 24
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
MATTOIT Type de matriel pour le toit 25
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Bozaka ou satrana
2 Tole de fut dcoup
3 Tole galvanis
4 Tuile
5 Autre
MATMUR Type de matriel pour le mur 26
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Satrana
2 Bambou tress
3 Tole
4 Bois
5 Terre ou tanimanga
6 Brique
7 Brique enduit ciment
8 Parpaing
9 Parpaing enduit
ELECT Branchement lectrique 27
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Pas de branchement
2 Branchement partag avec les autres
3 Propre branchement
COMBUST Type de combustible utilis pour la cuisine 28
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Bois collect
2 Bois achet ou sciurre de bois
3 Charbon
4 Krosne
5 Gaz
6 Electricit
EAU Accs l'eau potable 29
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Eau de pluie
2 mare
3 Lac
4 Rivire
5 Source
6 Puits ou pompe public ouvert
7 puits ou pompe publics ferms
8 puits ou pompe dans la cours
9 robinet public
10 robinet dans la cours ou dans la maison
11 autre
TOILETTE Type de toilettes 30
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Pas de toilette
2 Latrine traditionnelle
3 Toilette amliore partage
4 Toilette amliore prive
STRUCMAI Structure de la maison 31
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Srieusement endommage
2 besoin de rparation
3 Bonne structure
ACHATRIZ Frquence d'achat de riz 32
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Tous les jours
2 Deux fois par semaine
3 Toutes le semaines
4 Tous les 15 jours
5 Tous les mois
6 Moins frquemment que tous les mois
9 Ne s'applique pas
ACHATCOM Frquence d'achat de conbustible 33
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Tous les jours
2 Deux fois par semaine
3 Toutes le semaines
4 Tous les 15 jours
5 Tous les mois
6 Moins frquemment que tous les mois
9 Ne s'applique pas
ACHATBOU Frquence d'achat de bougies 34
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Tous les jours
2 Deux fois par semaine
3 Toutes le semaines
4 Tous les 15 jours
5 Tous les mois
6 Moins frquemment que tous les mois
9 Ne s'applique pas
DEPVETPP depenses vetement par personne 35
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F8.2
Write Format: F8.2
IRRIG Possede une terre agricole irrigue 36
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
0 Non
1 Oui
SURFIRRI Surface de la terre agricole irrigue possd 37
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
NONIRRIG Possede une terre agricole non irrigue 38
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
0 Non
1 Oui
SURFNIRR Surface de terre agricole non irrigue possde 39
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
SURFMAIS Surface de l'emplacement de la maison 40
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
PROPCONS Part du revenu supplmentaire destin l'alimentation 41
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
MENVILL Classement des mnages par rapport au niveau du village 42
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Moins riche que la moyenne
2 Dans la moyenne
3 Plus riche que la moyenne
MENPROPR Propre classement du menage 43
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Pauvre
2 Moyen
3 Riche
Fichier des adultes F2
Liste des variables du fichier de travail
Name Position
CODE Code du mnage 1
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
CODEID Numero des membres 2
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
STAT Statut du chef de mnage (CM) 3
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 clibataire
2 mari avec conjoint resident dans le menage
3 mari avec conjoint migrant
4 veuf
5 divorc
RELAT Relation avec le CM 4
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Femme ou mari
2 Fils ou fille
3 Pere ou mere
4 Petis fils
5 Autre membre de la famille
6 Autre membre, non parent
SEXE Sexe du membre 5
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Masculin
2 fminin
AGE Age du membre 6
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
LIRE Peut lire 7
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
0 Non
1 Oui
ECRIR Peut ecrire 8
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
0 Non
1 Oui
NIVMAX Niveau max d'ducation 9
Measurement Level: Ordinal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
0 Pas d'ducation
1 Pas fini l'cole primaire
2 A fini l'cole primaire
3 Ecole secondaire 1
4 Ecole secondaire 2
5 Universit
OCCUP Occupation principale 10
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 Agriculture propre exploitation
2 Propre entreprise non agricole
3 Eleve Etudiant
4 Salari journalier
5 Salari permanent
6 Travail domestique
7 En chommage cherchant du travail
8 Ne cherchant pas du travail retrait
9 Incapable de travailler
JOURMAL Nombre de jours de travail perdus par maladie sur 30 dernier 11
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
CLIENT Membre actuel de lIMF 12
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
0 Non
1 Oui
MOISMB Mois d'adhsion 13
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
ANNEEMB Annee d'adhesion 14
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
DEPENS Depenses en vetements et chaussures sur 12 derniers mois 15
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Fichier des enfants F3
Liste des variables du fichier de travail
Nom Position
CODE Code du mnage 1
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
CODEID Numero des enfants 2
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
SEXE Sexe de l'enfant 3
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Value Label
1 masculin
2 fminin
AGE Age de l'enfant 4
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
DEPENS Depenses en vetements et chaussures sur 12 derniers mois 5
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F11
Write Format: F11
Fichier des actifs F4
Liste des variables du fichier de travail
Nom Position
DATE date de l'interview 1
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: EDATE8
Write Format: EDATE8
CODE code du mnage 2
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F4
Write Format: F4
RGION rgion d'enqute 3
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F2
Write Format: F2
Value Label
1 est
2 central
3 nord
4 ouest
5 sud
MFICLIEN type de client (non client, caisse classique) 4
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F2
Write Format: F2
Value Label
0 non membre
1 Membre caisse classique
ACTIF type dactifs 5
Measurement Level: Nominal
Column Width: 8 Alignment: Right
Print Format: F2
Write Format: F2
Value Label
1 volaille
2 porc adulte
3 moutons ou chevres
4 vaches laitieres ou taureaux adultes
5 vlo
6 mobylette
7 voiture
8 ventilateurs
9 tlphones
10 radio
NBACTIF Nombre dactifs possds 6
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F4
Write Format: F4
VALACTIF Valeur de revente au prix actuel du march 7
Measurement Level: Scale
Column Width: 8 Alignment: Right
Print Format: F9.2
Write Format: F9.2
168
GLOSSAIRE DES TERMES STATISTIQUES
analyse en composantes principales. Technique statistique utilise pour identifier un nombre
relativement restreint de composantes reprsentatives des relations existant entre plusieurs
variables corrles.
analyse factorielle. Mthode permettant de rduire un grand nombre de variables en un petit
nombre de facteurs communs qui rendent compte de leur intercorrlation.
base de donnes relationnelle. Forme dorganisation des donnes lectroniques lintrieur de
tables relies entre elles par un lment commun.
coefficient de corrlation. Statistique descriptive permettant de dterminer le degr et le sens de
la relation linaire entre deux variables.
communalits. Carr du coefficient de corrlation multiple entre une variable et toutes les autres
variables, indiquant le degr de corrlation linaire entre toutes les variables.
donnes dchelle proportionnelle. chelle de mesure dans laquelle les nombres reprsentent
des distances entre des vnements ou des objets. Lchelle contient un zro absolu.
donnes nominales. chelle de mesure dans laquelle les nombres reprsentent des catgories ou
des tiquettes.
donnes ordinales. chelle de mesure qui spcifie la relation ordonne des objets ou
vnements.
chantillonnage proportion gale. Technique dchantillonnage selon laquelle la taille de
lchantillon lintrieur dune grappe donne est dpendante de la part de la population
dans cette grappe, par rapport la population totale de lensemble des grappes slectionnes.
chantillonnage alatoire simple. Technique dchantillonnage qui garantit que chaque unit
dchantillonnage au sein de la population a la mme chance dtre slectionne.
chantillonnage avec probabilit proportionnelle la taille (PPT). Technique
dchantillonnage qui garantit une chance de slection gale au sein dune population en
ajustant la probabilit de slection au nombre dunits dchantillonnage dans chaque grappe
par rapport la population totale.
chantillonnage en grappes. Echantillonnage dans lequel les grappes ou groupes dunits
dchantillonnage sont slectionns de manire alatoire.
matrice des composantes. Matrice faisant apparatre les poids des composantes, ou la
corrlation entre chaque composante et la variable correspondante.
moyenne. Mesure de la tendance centrale pour les donnes dchelle (intervalle et
proportionnelle). Se calcule en divisant la somme des valeurs par la taille de lchantillon.
niveau de signification. Niveau de probabilit de survenue dune erreur de type I.
169
parcours alatoire. Technique dchantillonnage deux degrs dveloppe par lUnicef. Une
zone dtude est dabord subdivise en secteurs, parmi lesquels un ou plusieurs sont
slectionns de manire alatoire. Les units dchantillonnage sont leur tour slectionnes
de manire alatoire au sein de chaque secteur laide dun intervalle alatoire.
population. Ensemble agrg de toutes les units dchantillonnage, dfini pralablement au
processus dchantillonnage.
tableau crois. Matrice affichant les modalits de deux variables nominales et indiquant le
nombre et le pourcentage de rponses pour chaque modalit.
test khi-deux. Test conu pour comparer une distribution de population hypothtique avec une
distribution obtenue par chantillonnage ; utilis avec des donnes nominales.
test t. Test consistant comparer deux moyennes.
unit dchantillonnage. Unit de lchantillon sur lequel est recherche linformation.
variance. Mesure de la dispersion de distribution des variables ordinales et dchelle.
zone ou rgion oprationnelle. Zone gographique dans laquelle une institution de
microfinance mne ses activits et o se situent ses clients.
170
BIBLIOGRAPHIE
Aho G., S. Larivire et F. Martin, 1997. Manuel danalyse de la pauvret au Bnin. Programme
des Nations Unies pour le Dveloppement, Universit Nationale du Bnin et Universit
Laval, Canada.
Basilevsky A., 1994. Statistical Factor Analysis and Related Methods. New York: John Wiley
and Sons, Inc.
Bennett S., A. Radalowicz, V. Vella et A. Tomkins, 1994. A Computer Simulation of
Household Sampling Schemes for Health Surveys in Developing Countries. International
Journal of Epidemiology 23 (6): 128291.
Carletto C., 1999. Constructing Samples for Characterizing Household Food Security and for
Monitoring and Evaluating Food Security Interventions: Theoretical Concerns and
Practical Guidelines. Technical Guide No. 8. Washington, D.C.: International Food Policy
Research Institute.
Child D., 1990. The Essentials of Factor Analysis. 2
nd
ed. London: Cassell Educational Limited.
Chung K., L. Haddad, J. Ramakrishna et F. Riely, 1997, Identifying the Food Insecure: The
Application of Mixed-method Approaches in India. Washington, D.C.: International Food
Policy Research Institute.
Gibbons D. S., A. Simanowitz et B. Nkuna, 1999, Cost-effective TargetingTwo Tools to
Identify the Poor: Operational Manual. CITY OF PUBLICATION MISSING: Credit and
Savings for the Hardcore Poor (CASHPOR) et Small Enterprise Foundation (SEF).
Grootaert C. et J. Braithwaite, mai 1998, Poverty Correlates and Indicator-based Targeting in
Eastern Europe and the Former Soviet Union. Washington, D.C.: The World Bank.
Filmer D. et L. Pritchett, 1998, Estimating Wealth Effects without Expenditure Dataor Tears:
An Application to Educational Enrollments in States of India. Washington, D.C.: The World
Bank.
Hatch J. et L. Frederick, 1998, Poverty Assessment by Microfinance Institutions: A Review of
Current Practice. Bethesda, Md.: Microenterprise Best Practices.
Lipton M. et M. Ravallion, 1995, Poverty and Policy. In Handbook of Development
Economics. Vol. IIIB. Edited by J. Behrman et T. Srinivasan. Amsterdam: Elsevier.
Minten B. et M. Zeller, eds. 2000, Beyond Market Liberalization: Income Generation, Welfare
and Environmental Sustainability in Madagascar. Aldershot, U.K.: Ashgate Publishing
Company.
Morris S., C. Carletto, J. Hoddinott et L. J. M. Christiaensen, octobre 1999, "Validity of Rapid
Estimates of Household Wealth and Income for Health Surveys in Rural Africa." Food and
Consumption Division Discussion Paper No. 72. Washington, D.C.: International Food
Policy Research Institute.
171
Navajas S., M. Schreiner, R. Meyer, C. Gonzalez-Vega et J. Rodriguez-Meza, 2000, Micro-
credit and the Poorest of the Poor: Theory and Evidence from Bolivia. In World
Development Report, 2000. Washington, D.C.: The World Bank.
Skoufias E., B. Davis et H. Soto, 2000, Practical Alternatives to Consumption-based Welfare
Measures.
*
Streeten, P. 1994, Poverty Concept and Measurement. In Poverty Monitoring: An
International Concern. Publi par R. van der Hoeven et R. Anker. New York: St. Martins
Press.
Programme des Nations Unies pour le dveloppement, 1990, 1997, 1999, 2000. Rapport sur le
dveloppement humain, New York: Oxford University Press.
*
Document reproduit de manire informelle qui peut ne pas tre couramment disponible en bibliothque.