7. Corrélations
salaire de
travailleur
ancienneté
de
travailleur
nombre
d'absence
Corrélation de
Pearson
salaire de
travailleur 1,000 ,620 ,301
ancienneté de
travailleur ,620 1,000 ,195
nombre d'absence ,301 ,195 1,000
Sig. (unilatérale)
salaire de
travailleur . ,000 ,000
ancienneté de
travailleur ,000 . ,008
nombre d'absence ,000 ,008 .
N
salaire de
travailleur 151 151 151
ancienneté de
travailleur 151 151 151
nombre d'absence 151 151 151
Sig < 5%
sont
significative
on rejeté
H0
8. Récapitulatif des modèlesb
Modèl
e
R R-
deu
x
R-
deux
ajusté
Erreur
stand
ard de
l'esti
matio
n
Changement dans les
statistiques
Durbi
n-
Watso
n
Variati
on de
R-
deux
Variat
ion de
F
ddl1 ddl2 Sig.
Variati
on de
F
1 ,64
6a
,41
8 ,410 109,1
0835 ,418 53,13
9 2 148 ,000 1,403
a. Valeurs prédites : (constantes), nombre d'absence, ancienneté de
travailleur
b. Variable dépendante : salaire de travailleur
Significativité = 0
5% rejeté
H0
Le modèle est
globalement
significatif
Durbin Watson =
1.403
pas de problème
d’autocorrélation
9. Modèle Somme des
carrés
ddl Moyenne des
carrés
D Sig.
1
Régression 1265200,588 2 632600,294 53,139 ,000b
Résidu 1761885,505 148 11904,632
Total 3027086,093 150
a. Variable dépendante : salaire de travailleur
b. Valeurs prédites : (constantes), nombre d'absence, ancienneté
de travailleur
Deux
variable
explicati
ve
Ficher
Sig = 0 donc modèle
globalement
significative
10. Coefficientsa
Modèle Coefficients
non
standardisés
Coeff
icient
s
stand
ardis
és
t Sig. 95,0% %
intervalles
de
confiance
pour B
Corrélations Statistiqu
es de
colinéarit
é
A
Erreur
standard
Bêta
Borne
inférieure
Limite
supérieure
Corrélatio
nsimple
Partielle
Partie
Tolérance
VIF
1
(Constante) 286,1
44
22,42
3
12,76
1 ,000 241,8
33
330,4
56
ancienneté
de
travailleur
30,96
8 3,393 ,584 9,127 ,000 24,26
3
37,67
3 ,620 ,600 ,572 ,962 1,04
0
nombre
d'absence
10,54
1 3,612 ,187 2,919 ,004 3,404 17,67
8 ,301 ,233 ,183 ,962 1,04
0
a. Variable dépendante : salaire de travailleur
Ancienneté et
Nombre d’absence
ont un effet sur le
salaire car sig < 5%
VIF < 10 pas de
problème de
multicorrelianrité
Pvalue < 5%
on rejeté H0
Si Pvalue < 0.05
on rejeté H0
Si Pvalue > 0.05
on accepte HO
12. Résultat
Sig < 5% donc
on rejeté H0
Le modèle est
globalement
significatif
Durbin Watson = 1.403
pas de problème
d’autocorrélation
13. Salaire = 286,144 +30,968 *
ancienneté + 10,541 * nombre
d’absence
D’après les résultats de SPSS et
Eviews on remarque que
l’ancienneté et le nombre
d’absence a un effet positive sur
les salaires