RÉSULTATS

Le tableau 16 résume les estimés du modèle logit de coefficients aléatoires (RPL) où le niveau de certitude et la non-considération des attributs ne sont pas contrôlés (colonne 1) et du modèle de paramètre d’échelle issu de l’équation 24 avec la fréquence de non-considération des attributs comme variable explicative de la variance des erreurs (colonne 3).

55_{Le modèle structurel est estimé par l’estimateur "Generalized Structural Equation Modeling Using}

107

La colonne 1 montre que tous les attributs sont significatifs à 1% avec le signe attendu. En effet, la diversité, la dispersion, l’absence de perturbation et la naturalité

56 _{Les erreurs-types en parenthèses sont robustes. * p < 0,10, ** p < 0,05, *** p < 0,01. La variable}

"Non-considération des attributs" est une variable catégorielle correspondant à (1) = toujours considéré (2) =souvent considéré (3) = rarement considère (4) = jamais considéré. Le modèle non séquentiel correspond au modèle de paramètre d’échelle dans lequel la non-considération sont les variables explicatives de la variance. Notre questionnaire est composé de 6 ensembles de choix. Dans ce cas, chaque individu est confronté à 3 alternatives dans chaque ensemble de choix (18 alternatives dans le questionnaire). Le nombre total d’observations correspond 18*998=17964 observations.

Tableau 16: La non-considération des attributs dans le modèle de choix56

RPL (M1) Coef Erreur-type

Modèle non séquentiel (M2) Coef Erreur-type (1) (2) (3) (4) ASC 0,042 (0,149) 0,117 (0,234) Coût -0,005∗∗∗ (0,001) -0,006∗∗∗ (0,001) Diversité intermédiaire 0,661∗∗∗ (0,102) 1,021∗∗∗ (0,194) Diversité élevée 0,783∗∗∗ (0,112) 1,223∗∗∗ (0,228) Dispersion intermédiaire 0,405∗∗∗ (0,105) 0,615∗∗∗ (0,173) Dispersion élevée 0,381∗∗∗ (0,131) 0,585∗∗∗ (0,212) Naturalité intacte 1,583∗∗∗ (0,152) 2,444∗∗∗ (0,358) Naturalité semi 1,001∗∗∗ (0,113) 1,521∗∗∗ (0,238) Absence de perturbation 0,812∗∗∗ (0,082) 1,246∗∗∗ (0,194)

Écart-type de la distribution des ASC Coefficients 2,117∗∗∗ (0,099) 3,113∗∗∗ (0,346) Coût 0,007∗∗∗ (0,002) 0,010∗∗∗ (0,003) Diversité intermédiaire 0,215∗∗ (0,108) 0,179 (0,340) Diversité élevée 0,206 (0,156) 0,387∗ (0,227) Dispersion intermédiaire 0,122 (0,106) 0,128 (0,163) Dispersion élevée 0,340∗ (0,201) 0,469 (0,375) Naturalité intacte 1,396∗∗∗ (0,116) 2,021∗∗∗ (0,278) Naturalité semi 0,744∗∗∗ (0,097) 1,254∗∗∗ (0,200) Absence de perturbation _{0,882∗∗∗} (0,101) _{1,401∗∗∗} (0,211) Paramètre d’échelle Non-considération des attributs -0,249∗∗∗ (0,060) Observations 17964 17964 Nbre de répondants 998 998

Notes : Résultats tirés de l’équation 24.

108

ont un effet positif sur l’utilité alors que le coût a un effet négatif. De plus, le choix du statu quo capté par la variable ASC n’est pas significatif. Dans la colonne 3, les coefficients des attributs restent significatifs à 1% sauf pour la variable ASC. Le coefficient 𝜏 devant la variable de la fréquence de non-considération des attributs dans le modèle à paramètre d’échelle est significatif et négatif comme préconisé dans l’hypothèse 2. En d’autres termes, les individus qui évaluent l’esthétique du paysage dans un cadre avec un nombre d’attributs restreints ont une variance des erreurs plus élevée par conséquent ils font plus de choix aléatoires (Campbell et al., 2008 ; Kosenius, 2013 ; DeShazo et Fermo, 2004)

Le tableau 17 présente les résultats des modèle séquentiel ou structurel dans lequel la fréquence de non-considération des attributs est endogénéisée. Dans la première étape du modèle séquentiel dans la colonne (1) relative aux facteurs affectant la probabilité qu’un individu ne considère pas tous les attributs, nous constatons que le nombre d’années d’éducation (Sælensminde, 2006), le nombre de visites dans le site et la présence de photo réduisent cette probabilité. Cependant, la présence de photo et le nombre d’années d’éducation ne sont pas significatifs. Le revenu (Hensher et al., 2005 ; Kosenius, 2013) et l’âge ont un effet positif mais non significatif sur la fréquence de non-considération des attributs. Lorsque nous nous intéressons à notre variable d’intérêt, nous montrons que la certitude à un effet négatif et significatif à 1% sur la probabilité de restreindre le nombre d’attributs dans le processus de décision. Ce résultat permet de comprendre le comportement des individus dans une situation d’incertitude en proposant un nouveau mécanisme dans le lequel les individus certains font moins d’erreurs dans les choix (Dekker et al., 2016 ; Mattmann et al., 2018). Dans la deuxième étape où la non-considération des attributs prédite est une variable explicative de la variance des erreurs, nos résultats restent robustes par rapport aux estimés du tableau 16. L’augmentation de la fréquence de non-considération des attributs est associée à une réduction de la précision des choix du répondant.

109

La colonne 3 présente les estimés du modèle structurel dans lequel le niveau de certitude et la fréquence de non-considération des attributs sont endogènes. Dans la première étape, nous avons réalisé une estimation du niveau de certitude avec les variables sociodémographiques et la présence de photo dans les ensembles de choix.

57_{Les erreur-types en parenthèses sont clustérisés un niveau individuel. * p < 0,10, ** p < 0,05, *** p}

< 0,01. La première étape dans le modèle structurel utilise un modèle de probit ordonné à effets fixes clustérisés au niveau individuel. Les écarts-types des coefficients ne sont pas affichés.

Tableau 17 57 _{: La non-considération des attributs dans les modèles de choix}

séquentiel et structurel Modèle séquentiel (M3) Modèle 3 Coef Erreur-type Modèle structurel (M4) Modèle 4 Coef Erreur-type (1) (2) (3) (4) ASC 0,224 (0,222) 0,076 (0,166) Coût -0,006∗∗∗ _{(0,002) -0,005}∗∗∗ _(0,001) Diversité intermédiaire 0,901∗∗∗ _{(0,186) 0,667}∗∗∗ _(0,111) Diversité élevée 1,159∗∗∗ _{(0,243) 0,860}∗∗∗ _(0,135) Dispersion intermédiaire 0,523∗∗∗ _{(0,161) 0,415}∗∗∗ _(0,114) Dispersion élevée 0,550∗∗∗ _{(0,202) 0,403}∗∗∗ _(0,149) Naturalité intacte 2,347∗∗∗ _{(0,441) 1,722}∗∗∗ _(0,231) Naturalité semi 1,443∗∗∗ _{(0,284) 1,060}∗∗∗ _(0,145) Absence de perturbation Paramètre d’échelle 1,248∗∗∗ _{(0,245) 0,908}∗∗∗ _(0,114)

Non-consideration des attributs -0,297∗∗ _{(0,125) -0,318}∗∗∗ _(0,089)

Première étape Modèle structurel

Non-considération des attributs : probit ordonné

Homme 0,133∗ _{(0,077) 0,159 (0,099)}

Nbre de visites -0,014∗ _{(0,008) 0,001 (0,014)}

Age 0,003 (0,003) 0,007∗ _(0,004)

Nbre d’années d’éducation -0,011 (0,011) -0,024 (0,016) Revenu (log) 0,028 (0,057) 0,059 (0,081) Photo -0,061 (0,089) 0,267 (0,224)

Certitude -0,404∗∗∗ _{(0,049) -0,905}∗ _(0,501)

Modèle de mesure Certitude : probit ordonné

Homme 0,007 (0,076)) Nbr de visites 0,025∗∗∗ _(0,009) Age 0,005∗ _(0,003) Nbr d’années d’éducation -0,017 (0,012) Revenu (log) 0,039 (0,052) Photo 0,500∗∗∗ _(0,092)) Observations 17868 17964 Source : Fall (2020)

110

Nous montrons que l’âge, la photo et le nombre de visites augmentent la probabilité que l’individu soit certain. Par contre le revenu, le sexe et le nombre d’années d’éducation n’ont pas d’effet sur le niveau de certitude. Dans la deuxième étape, la certitude reste significative et négative sur la réduction de la probabilité de la non- considération des attributs. Dans la troisième étape, la fréquence de non-considération des attributs explique la différence de variance des erreurs entre les individus. Les modèles structurels et séquentiels sont des modèles de comportement permettant de comprendre les différents canaux expliquant le caractère aléatoire des réponses. En effet, le niveau de certitude réduit la probabilité de restreindre le nombre d’attributs (Payne et al., 1993, Gigerenzer et Brighton, 2009) ce qui pourrait constituer la raison pour laquelle les individus certains fassent moins d’erreurs (Dekker et al., 2016).

7. CRÉDIBILITÉ DES RÉPONSES CERTAINES SELON LA VARIABILITÉ