Maintien des contacts pères/enfants après la séparation : le point de vue des hommes

ANNEXE 1

Les données présentent une structure hiérarchique, en ce sens que les enfants (niveau 1) sont « nichés » à l’intérieur des pères (niveau 2), les pères pouvant avoir un nombre variable d’enfants. La variable dépendante (fréquence des contacts père/enfant) est mesurée au niveau de chaque enfant, alors que les variables indépendantes sont mesurées soit pour les enfants, soit pour les pères. Ce type de données ne peut être analysé avec les modèles de régression traditionnels estimés à partir de la méthode des moindres carrés ordinaires, car la structure hiérarchique des données introduit de la dépendance et de la covariation entre les observations partageant un même contexte (c’est-à-dire un même père), ce qui a pour effet de produire des estimés instables et des erreurs-types biaisées. Par conséquent, nous utilisons une modélisation de type « multi niveaux » pour estimer correctement l’effet des variables indépendantes (voir Bryk et Raudenbaush, 1992; Goldstein, 1995; Marchand, à paraître). Les modèles multi-niveaux ne présument pas de l’indépendance entre observations, et ils ont la propriété de produire des estimations stables des paramètres ainsi que des erreurs-types non biaisées qui tiennent compte de la covariation entre observations (Hox et Kreft, 1994). Cette méthode permet de départager la proportion de la variation dans la variable dépendante qui se situe entre les enfants de celle qui se situe entre les pères, et d’évaluer la contribution des variables indépendantes à l’explication de la variation existante à chaque niveau de la hiérarchie des données.

L’estimation des paramètres repose sur la méthode des moindres carrés itératifs généralisés (MCIG) de Goldstein (1986) et est implantée dans le logiciel MlwiN (Goldstein et al., 1998). À la convergence, les estimations sont celles du maximum de vraisemblance. MlwiN produit des erreurs types pour la partie fixe et aléatoire du modèle ainsi qu’une valeur de déviance ( 2 fois le logarithme de vraisemblance) qui pourra être utilisée pour calculer un test de rapport de vraisemblance, ce dernier ayant une distribution chi carré avec un nombre de degrés de liberté égal au nombre de paramètres supplémentaires dans le modèle (Bryk et Raudenbush, 1992).

La variable dépendante incluse dans l’analyse de régression est le nombre de jours (en durée continue) que les pères ont passés avec leurs enfants au cours de l’année précédant l’enquête ou, plus exactement, la racine carrée de ce nombre de jours; nous avons effectué cette transformation étant donné que le nombre de jours ne suit pas une distribution normale, comme le postule le modèle de régression. Certaines variables indépendantes, comme l’âge ou le temps écoulé depuis la séparation, sont introduites dans le modèle sous forme continue; d’autres, qui mesurent soit un état (p. ex. type d’union des parents à la naissance), soit un effet de seuil (p. ex. niveau de scolarité), sont entrées sous forme dichotomique ou polytomique, et la catégorie de référence est inscrite entre parenthèses (voir le tableau 16).

Les tableaux 16 à 19 présentent les résultats des analyses de régression multi-niveaux. Ils fournissent les coefficients de régression associés aux caractéristiques des pères et des enfants, ainsi qu’une série d’autres statistiques, dont la proportion de variation dans le nombre de jours expliquée par les variables indépendantes incluses dans le modèle (R2), et la variance calculée pour les pères (niveau 2) et pour les enfants (niveau 1). Par exemple, l’ensemble des caractéristiques des enfants (incluses dans le modèle 2 du tableau 16) contribue à expliquer 10 % de la variation observée entre les enfants (R21) et 10 % de la variation observée entre les pères (R22). Cette contribution est statistiquement significative à un seuil de 0,001 (χ2= 35,26 avec 9 degrés de liberté).

Date de modification :