Régression multiple :

1. Estimation des paramètres :

Notre modèle de régression linéaire s’écrit comme suit :

Y = a0 + a1.X1 + a2.X2 + a3.X3

Selon l’output de SPSS, la valeur des coefficients et celle de la constante est :

a0 = 2,696 ; a1 = (-0,085) ; a2 = (-0,115) ; a3 = 0,023
Donc le modèle de régression est :
Y = 2,696 - 0,085.X1 - 0,115.X2 + 0,023.X3

2. Étude de la validité :
a) Le coefficient de détermination R2 :

Selon l’output SPSS,

R2 = 0,089 ; alors le modèle n’explique que 8,9% de la variable réelle.
On outre, les nuages de points se disperse autour de la droite de régression.
b) Le coefficient de détermination ajusté ou corrigé :
Selon output SPSS :
R2= 0,035 ; la variation totale estimée par le modèle n’est capable d’expliquer la variable
endogène.
c) Le coefficient de corrélation :
Selon l’output SPSS :
rxy = 0.298
On a rxy tend vers 0, la relation linéaire (corrélation) entre les variables est faible.
d) Intervalle de confiance :

 Pour la constante :
ICA0 = [2,123 ; 3,269]
 Pour la variable horaire :
ICA1 = [-0,135 ; 0,181]
 Pour la variable contenue :
ICA2 = [-0,332 ; 0,101]
 Pour la variable pédagogie :
ICA3 = [-0,285 ; 0,114]
e) Test de Fisher :
Tableau d’analyse de la variance (ANOVA) :

Selon l’output SPSS on dégage les statistiques suivants :

SCE = 3,402
SCR = 35,034
SCT = 38,436
Méthode 1 :
Le test de Fisher vous permet de voir dans quelle mesure les variables
explicatives utilisées ensemble expliquent le modèle.
Première étape : le test d’hypothèse
H0 a1 = a2 = a3 = 0 (tous les coefficients de régression sont nuls)
H1 il existe au moins un des coefficients qu’est non nul
Deuxième étape : la statistique calculer de Fisher
On fixe le niveau de risque à 95% (α = 5%)
Alors selon la table de fisher-snedecor la valeur critique est la suivante :
Fα (α ,K-1, N-K) = Fα (0,05,3,51) = 2,79

Et selon l’output SPSS :

FC = 1,651
Troisième étape : la règle de décision
On a FC<Fα (1,651<2,79), donc on accepte l’hypothèse h0 au seuil de 5%.
Donc le modele n’est pas globalement significatif c’est-à-dire les variables
explicatives prises simultanément n’expliquent pas le phénomène y.
Méthode 2 :
Il existe un autre moyen pour effectuer le test de Fisher, c’est de comparer le seuil de
signification avec le risque d’erreur pour mieux vérifier la validité du modèle et confirmer
l’hypothèse 0.
On a α = 5% et sig = 0.189
Alors α > sig on accepte l’hypothèse h0.
f) Test de student :
Le test de Student nous permet de sélectionner les variables explicatives selon 3 méthodes.
Dans notre étude, on va utiliser une seule méthode celle de la comparaison entre la statique
calculer de student et la valeur critique de student. (Les 3 méthodes donnent le même
résultat).
==> Il s’agit de comparer entre la statique calculer de student avec la valeur critique de
student
==> Si : (TC < Tα) On accepte H1, donc la variable explique le phénomène, en cas de la
constante, le modèle est avec constante.
==> Sinon (TC > Tα) On accepte l’hypothèse H0, la variable n’explique pas le phénomène ou
le modèle est sans constante (a0=0)

On fixe le niveau de risque à 95% (α = 5%)

Alors selon la table de student la valeur critique est la suivante :
Tα (α , n-P) = Tα (0,025,51) = 1.676

 Pour la constante a0 :
Selon SPSS, TC = 9,445 et Tα = 1,676
Donc TC > Tα On accepte H1, le modèle est avec constante.

 la variable X1(la pédagogie) :

Selon SPSS, TC = 0,857 et Tα = 1,676
Donc TC < Tα On accepte H0, la pédagogie n’explique pas significativement la satisfaction des
CPGEistes au sein de l’ENCG.
 Pour la variable X2 (Le contenu) :
Selon SPSS, TC = 1,072 et Tα = 1,676
Donc TC < Tα On accepte H0, Le contenu n’explique pas significativement la satisfaction des
CPGEistes au sein de l’ENCG.
 Pour la variable X3 (les horaires) :
Selon SPSS, TC = 0,293 et Tα = 1,676
Donc TC < Tα On accepte H0, Les horaires n’explique pas significativement la satisfaction des
CPGEistes au sein de l’ENCG.

D’après ce qui précède, et selon le test de Student, les

variables exogènes n’expliquent pas la satisfaction des
CPGEistes au sein de l’ENCG avec constante.
Donc le nouveau modèle est :
Y= 2,696