L'audit financier€: historique, définition, objectif

Chapitre V – Résultats de la recherche quantitative – Section 2
indépendantes peuvent perturber les relations obtenues 75 . Il convient donc d’être prudent
lors de leur utilisation. En ce qui concerne notre travail, nous avons utilisé la méthode de
sélection suivante :
− une première régression « en arrière » a été faite pour chaque variable dépendante afin
d’éliminer les variables indépendantes non significatives ;
− parallèlement, une deuxième régression « entrer » a été menée pour comparer les
résultats avec ceux de la première analyse ;
− une troisième régression « entrer » a été faite avec les variables apparues significatives
(à p ≤ 0,05) au cours d’une des deux premières analyses.
Ce sont les variables significatives de cette troisième régression qui ont été incluses
dans le modèle définitif et c’est sur ces traitements que les tests de qualité de la régression
présentés ultérieurement ont été effectués. Les listings SPSS correspondant à cette
troisième série de régressions sont fournis en annexe 5.
1.3 Critères de qualité de la régression
La validité des résultats obtenus par une analyse de régression linéaire multiple
suppose que certaines conditions soient remplies. Ces conditions ont trait aux relations
entre les variables explicatives, aux résidus de la régression – c’est-à-dire aux différences
entre les valeurs prédites et les valeurs réelles de la variable à expliquer – et à l’élimination
d’éventuelles observations perturbatrices. Elles sont nécessaires pour s’assurer de la
validité des traitements effectués par la méthode des moindres carrés. En outre, le modèle
doit présenter certains critères de qualité qui en permettent l’interprétation.
Concernant les variables explicatives, les résultats d’une régression ne sont valides
que dans une situation d’absence de corrélations importantes entre ces variables 76 . Il s’agit
d’éviter ce que l’on appelle le phénomène de « multicolinéarité » qui apparaît lorsqu’une
ou plusieurs variables sont des combinaisons linéaires d’autres variables. La
multicolinéarité se détecte en étudiant ce que les statisticiens appellent la « tolérance » de
chaque variable de la régression, c’est-à-dire sa part de variance non partagée avec les
autres variables explicatives. En pratique, la tolérance de chaque variable doit être
supérieure à 0,2 pour obtenir des résultats acceptables (Hamilton 1992).
Par ailleurs, les résidus de la régression doivent vérifier certaines conditions pour
garantir la validité des résultats de la méthode des moindres carrés ordinaires. Les critères à
respecter sont au nombre de trois (Evrard et al. 1997 ; Hamilton 1992) :
75 Par exemple, si deux variables indépendantes sont corrélées entre elles, mais ont un effet (significatif)
inverse sur la variable à expliquer, les méthodes séquentielles peuvent ne pas retenir une des variables, voire
les deux (Hamilton 1992).
76 Les corrélations faibles ne sont pas gênantes et sont de toute façon inévitables.
259