etude des facteurs potentiellement limitant de la repartition
etude des facteurs potentiellement limitant de la repartition
etude des facteurs potentiellement limitant de la repartition
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Les <strong>facteurs</strong> majoritaires <strong>de</strong> présence <strong>de</strong>(s) fennec(s) sont le milieu et <strong>la</strong> présence <strong><strong>de</strong>s</strong><br />
petits rongeurs. L’Homme est un facteur d’absence <strong>de</strong>(s) fennec(s). Les re<strong>la</strong>tions entre <strong>la</strong><br />
présence <strong>de</strong> chacal(s) et/ou chien(s) et <strong>la</strong> présence <strong>de</strong> fennec(s), et entre <strong>la</strong> présence <strong>de</strong> renard(s)<br />
et <strong>de</strong> fennec(s) ne sont pas connues.<br />
Cependant, les variables sont liées et interagissent entre elles. Par exemple, <strong>la</strong><br />
présence <strong>de</strong> renards, <strong>de</strong> chiens, d’hommes et <strong>de</strong> rongeurs dépend du milieu et <strong>de</strong> <strong>la</strong> zone. Une<br />
analyse multivariée a été entreprise pour définir les <strong>facteurs</strong> les plus prédictifs <strong>de</strong> <strong>la</strong> présence <strong><strong>de</strong>s</strong><br />
fennecs.<br />
I.8.4. Analyse multivariée<br />
Différents modèles prédictifs, choisis selon <strong>la</strong> métho<strong>de</strong> ascendante <strong>de</strong> choix <strong><strong>de</strong>s</strong><br />
variables, ont été analysés par régression logistique, à l’ai<strong>de</strong> du logiciel R (version 1.3.0.)<br />
C’est ainsi que l’on trouve que le meilleur modèle <strong>de</strong> prévision <strong>de</strong> <strong>la</strong> présence <strong>de</strong><br />
fennec(s) est : F fonction <strong>de</strong> Z (<strong>la</strong> zone) + P (<strong>la</strong> présence <strong><strong>de</strong>s</strong> rongeurs).<br />
Le tableau suivant (Tab.X) récapitule les Critères d’Akaike (AIC) obtenus et les<br />
valeurs <strong>de</strong> signification <strong><strong>de</strong>s</strong> tests du rapport <strong>de</strong> <strong>la</strong> Vraisemb<strong>la</strong>nce (a), vérifiant si le modèle est<br />
significativement différent du modèle plus simple :<br />
Tableau X : Critères d’Akaike (AIC) et Vraisemb<strong>la</strong>nce (a) par modèle (* significatif : risque = 0.05 %)<br />
Les éléments en gras représentent les modèles choisis (test significatif et AIC le plus petit)<br />
Modèle (démarche ascendante) : AIC : a :<br />
M 326 1,233 e -5*<br />
R 345,4 0,15<br />
P 294,1 2,798 e -13*<br />
C 344,2 0,07<br />
H 333,7 0,00038*<br />
Z 264,3 6,7e-18*<br />
Z + M 221,7 1,6e-10*<br />
Z + R 266,3 0,799<br />
Z + C 266,2 0,745<br />
Z + P 190,3 2,8e-18*<br />
Z + H 263,3 0,083<br />
Z ^ M 214 6e-11*<br />
Z ^ R 269,3 0,563<br />
Z ^ C 273,2 0,797<br />
Z ^ P 195,8 2,8e-15*<br />
Z ^ H 268,2 0,096<br />
Z + P + M 193,5 0,417<br />
Z + P + R 190,1 0,14<br />
Z + P + C 191,3 0,324<br />
Z + P + H 190,6 0,159<br />
Z + P ^ M 195,2 0,314<br />
Z + P ^ R 190,1 0,14<br />
Z + P ^ C 192,9 0,488<br />
Z + P ^ H 193,5 0,311<br />
- 80 -