1 | P a g e

Master 2 professionnel TIDE

Universite Paris 1 Pantheon Sorbonne

Projet de lEconomtrie Non Linaire



Etude sur le Baromtre Politique
Franais 2007

LARBAOUI Sonia
VIJA Radu-Ioan



Sous la direction de
M. Rynkiewicz

14 Juin 2013


2 | P a g e



SOMMAIRE

CONTEXTE DE LETUDE ................................................................................................................................. 3
1. PRESENTATION DE LA BASE ................................................................................................................ 4
1.1. STATISTIQUES DESCRIPTIVES SUR LES VARIALES SENSIBLES DOPINION ....................... 6
1.2. STATISTIQUES DESCRIPTIVES SUR LES VARIALES SENSIBLES DE CONTEXTE ................. 9
2. DETERMINATION DU MEILLEUR MODELE CONTENANT 3 VARIABLES DE CONTEXTE
EXPLICATIVES ET 3 VARIABLES DOPINION EXPLICATIVES .......................................................... 11
2.1. ANALYSE DES LIAISONS ENTRE LES VARIABLES EXPLICATIVES ET LA VARIABLE Q46D ....................... 11
2.2. TOUS LES MODELES POSSIBLES A SIX VARIABLES EXPLICATIVES .......................................................... 15
3. AJUSTEMENT DU MODELE DECOMPOSABLE LE PLUS ADAPTE AUX DONNEES. ............. 16
ANNEXES ........................................................................................................................................................... 20










3 | P a g e

CONTEXTE DE LETUDE

Notre tude est base sur une enqute ralise lors du tour de llection
prsidentielle de 2007.Par cette enqute, 5650 personnes ont t choisies selon une mthode
de quotas. Nous disposons de 236 variables dans cette base.


Tableau numero1 : Prsentation gnrale de la table

Nous nous intresserons dans ce devoir au choix de vote des lecteurs que nous
chercherons expliquer grce aux variables suivantes :

VARIABLES DOPINION

Opinion sur les immigrs (Q17E)
Problmes en France (Q12A et Q12B)
Chmage (Q14)
Dlinquance (Q15)
Homosexualit (Q17B)
France en dclin (Q18)
TV (Q37 et Q38)
Mondialisation (Q44)
Peine de mort (Q17D)




4 | P a g e

VARIABLES DE CONTEXTE

Diplme le plus lev (RCRS2)
Profession (RCRS7)
Origine Parents (RCRS13)
Tranche dge (RAGE)
Sexe (SEXE)
Grande rgion (GR)
Situation professionnelle (RRS8)
Situation familiale (Q48)
Religion (RCRS15)


Afin dexpliquer le choix de vote des lecteurs, nous allons en premier lieu slectionner
le meilleur modle avec 6 variables explicatives (3 variables de contexte et 3 variables
explicatives dopinion) pour ensuite ajuster le modle dcomposable le plus adapt aux
donnes. Enfin nous en dduirons une description de la motivation du vote.

1. PRESENTATION DE LA BASE

Notre base contient 5650 observations et a 236 variables. Nous nous intresserons 20
dentre elles (9 variables de contexte et 11 variables dopinion) dans un premier temps, pour
ensuite en retenir 6 variables, 3 de chaque cte. Elles seront choisies de faon expliquer le
mieux possible le choix de vote des lecteurs.
Dfinissant tout dabord les modalits de chaque variable et leur ventuel regroupement
ainsi que leur recodage. Notre variable expliquer est le rsultat des votes des lections
prsidentielles de 2007 pour le candidat Buffet(Q46D).




5 | P a g e

La rpartition des modalits de vote de cette variable se rpartissent de la faon suivante :

Tableau numro 2 : Rpartition des modalits de vote


Graphique numro 1 : Proportions sur la rpartition des modalits de vote

On nobserve que notre candidat a une majorit de 67% dtre pas probable du tout
tre propos pour le vote. Au contraire, juste 3% des votants sont tout fait probable de la
designer aux lections prsidentielle
En regardant la reparution binaire de notre variable,
Y=1 si vote tout a fait probable ou plutt probable
Y=0 sinon
3%
11%
19%
67%
0%
0%
Rpartition des modalits de vote pour la
candidate Buffet
Tout fait probable
Plutt probable
Plutt pas probable
Pas probable du tout
Ne connat pas
Nsp


6 | P a g e


Graphique numro 2 : Proportions sur la rpartition de la variable expliquer
En analysant notre variable binaire, on constate que juste 14.00 % des lecteurs sont
susceptibles voter pour la candidate Buffet.
Avant de passer la rgression logistique on va tudier en sortant des statistiques
descriptives les variables sensibles dopinion et aussi du contexte.
Apres cette section on va passer la rgression logistique pour slectionner en utilisant
les critres AIC, BIC les 3 variables du contexte et les 3 variables dopinion ayant comme
but la construction du rseau baysien.
1.1. STATISTIQUES DESCRIPTIVES SUR LES VARIALES SENSIBLES
DOPINION

La variable dfinissant lopinion sur le fait quil y ait trop dimmigrs en France se prsente de
la faon suivante (Q17E)
Variable Opinion sur les immigrs (Q17E) :


Graphique numro 3 : Proportions sur la rpartition de lopinion sur les immigrs

14%
86%
Rpartition de la varibale expliquer (Q46D) pour
la candidate Buffet
y=1
Y=0
21%
28%
25%
25%
1%
Trop d'immigrs en France?
Tout fait d'accord
Plutt d'accord
Plutt pas d'accord
Pas du tout d'accord
Nsp


7 | P a g e

Nous remarquons que lopinion sur le fait quil y a trop dimmigrs en France reste partage.
Cependant, juste 21% des lecteurs sont tout fait daccord . Le recodage est de la faon
suivante : Pas du tout daccord Plutt pas daccord -Plutt daccord , Tout fait daccord
La variable dfinissant une opinion sur lhomosexualit (Q17B), savoir, sils sont
daccord ou non :

Variable Homosexualit (Q17B) :

Graphique numro 4 : Proportions sur la rpartition de lopinion sur les immigrs
Les lecteurs pensent en gnral que lhomosexualit est tout fait normale dans une
proportion de 44%. De plus, 34% dentre eux pensent que cela est plutt normal.
La variable dfinissant le risque des lecteurs dtre au chmage (Q14) se rpartie de la
faon suivante :
Variable Chmage (Q14) :


Graphique numro 5 : Proportions sur la rpartition de lopinion sur le chmage
30% des lecteurs sont daccord avec le fait davoir un taux de chmage qui reste stable, 28%
considrent que le taux de chmage est un peu augment. Plus ou moins dans la mme
44%
34%
8%
13%
1%
Homosexualit : acceptable?
Tout fait
d'accord
Plutt d'accord
18%
28%
30%
22%
1%
1%
Chmage ces derniers mois : a augment?
Beaucoup
augment
Un peu
augment
Rest stable
Un peu diminu


8 | P a g e

proportion, 22% des lecteurs considrent que le chmage a diminu lentement. A l extrme,
on a 21% des lecteurs qui disent que le chmage a beaucoup augment.

Variable Mondialisation (Q44) :
La variable dfinissant lattitude face la mondialisation (Q44) se rpartie de la faon
suivante :

Graphique numro 5 : Proportions sur la rpartition de lopinion sur le chmage

44% des lecteurs sont dopinion que la mondialisation porte un danger pour le pays.
Ceux qui la considre comme une chance et ceux qui ne lui donnent pas beaucoup
dimportance sont relativement moins importants avec une proportion respective de 25% et
de 31%.









25%
44%
31%
0%
Opinion sur la mondialisation
Une chance
Un danger
Ni l'un, ni l'autre
Nsp


9 | P a g e

1.2. STATISTIQUES DESCRIPTIVES SUR LES VARIALES SENSIBLES DE
CONTEXTE

Variable Diplme le plus lev :
La variable se rfrant au diplme le plus lev (RCRS) se rpartie de la faon suivante :

Graphique numro 6 : Proportions sur la rpartition du niveau de diplme
Tous les diplmes semblent tre bien reprsents dans notre base. Les lecteurs qui
favorisent notre candidat ont un diplme de BEPC, CAP, BEP avec une proportion de 37% de
la population totale ; 28% dentre eux nont pas de diplme ou juste un certificat dtudes,
par contre 11% des lecteurs probables pour la candidate Buffet disposent dun diplme de
lenseignement suprieur.
La variable tranche dges
La variable reprsentant les ges des lecteurs (age4) se rpartie de la faon suivante :

Graphique numro 7 : Rpartition des ges des votants

28%
37%
15%
9%
11%
Niveau de diplme (recodage)
Sans diplme, certificat d'tudes BEPC, CAP, BEP
Baccalaurat Niveau Bac+2
Diplme de l'enseignement suprieur
11%
18%
28%
21%
22%
Tranche d'ge
18-24 ans 25-34 ans 35-49 ans 50-64 ans 65 ans et plus


10 | P a g e

Toutes les tranches dge sont bien reprsentes dans notre base. La population 35-49 ans
est majoritaire avec une proportion de 28% de tous nos lecteurs.
La variable SEXE
La variable dfinissant le sexe de llecteur (SEXE) se rpartie de la faon suivante :

Graphique numro 8 : Rpartition de sexes
La proportion entre les hommes et les femmes est assez bien rpartie. Ainsi 52% des femmes
et 48% dlecteurs hommes ont une prfrence pour la candidate Buffet
La variable Situation familiale
La variable dsignant la situation familiale des individus (Q48) se rpartie de la faon suivante :

Graphique numro 6 : Rpartition de statut situation familiale
Dans 50% des cas, les lecteurs sont maris ou vivent maritalement. Nous
regrouperons cette variable en 8 modalits comme reprsent dans le tableau ci-dessus.
48%
52%
Sexe
HOMME FEMME
20%
50%
13%
1%
5%
1%
9%
1% 0%
Situation familiale
Clibataire
Mari(e)
Vivant en couple sans tre
mari(e)
Pacs(e)
Divorc(e) ne vivant pas en
couple
Divorc(e) vivant en couple


11 | P a g e

2. Dtermination du meilleur modle contenant 3 variables
de contexte explicatives et 3 variables dopinion
explicatives

Notre variable expliquer est de nature polytomique car elle est qualitative avec plus de 2
modalits. De plus, elle est ordonne. Ainsi, nous allons utiliser la procdure LOGISTIC ou
CATMOD de SAS afin de dterminer le meilleur modle contenant 6 variables explicatives
parmi les variables dfinies prcdemment.
Cependant, avant de commencer une quelconque analyse, nous allons vrifier grce la
PROC FREQ de SAS et son option du Chi2 si les variables ont une liaison avec notre variable
expliquer. Le programme est le suivant
proc freq data=enl.data;
table Q46D *(RCRS2 RCRS7 RCRS13 RAGE SEXE GR RRS8 Q48 RCRS15) / chisq
noprint;
run;

proc freq data=enl.data;
table Q46D *(Q17E Q12A Q12B Q14 Q15 Q17B Q18 Q37 Q38 Q44 Q17D) / chisq
noprint;
run;


2.1. Analyse des liaisons entre les variables explicatives et la variable
Q46D

Avant de passer la modlisation, nous vrifions dabord par un test dindpendance de
KHI2, et voir si les variables explicatives sont lies ou pas avec la variable explique
VOTE=1 ou 0 ( qui est recod travers la variable Q46D).

Nous testons lhypothse :

H0 : il y a indpendance entre les variables

contre lhypothse alternative

H1 : les variables ne sont pas indpendantes




12 | P a g e


Voici les rsultats du test :

VARIABLE DE CONTEXT PROB chi deux Indpendance
Diplme le plus lev
(RCRS2)

<0.001 NON
Profession ( RCRS7)

<0.001 NON
Origine Parents ( RCRS13)

0.217 OUI
Tranche dge ( RAGE)

<0.001 NON
Sexe (SEXE)

0.0111 NON
Grande rgion (GR)

<0.3241 OUI
Situation professionnelle
(RRS8)

<0.001 NON
Situation familiale (Q48)

<0.001 NON
Religion (RCRS15)

<0.001 NON
Tableau numro 3 : Exclusion de variables de contexte
VARIABLE DOPINION Valeur chi deux Indpendance
Opinion sur les immigrs
(Q17E)

<0.001 NON
Problmes en France (Q12A
et Q12B)

<0.001
<0.001
NON
Chmage (Q14)

<0.001 NON
Dlinquance (Q15)

0.1827 OUI
Homosexualit (Q17B)

<0.001 NON
France en dclin (Q18)

0,6773 OUI
TV (Q37 et Q38)

0.0002

<0.0001
NON
Mondialisation (Q44)

<0.001 NON
Peine de mort (Q17D)

<0.001 NON
Tableau numro 4 : Exclusion de variables dopinion


13 | P a g e

Nous remarquons que les variables qui nont pas de lien avec notre variable expliquer
sont : origine parents, grande rgion, dlinquance et France en dclin.
Afin de dterminer les variables qui expliquent le plus le vote, nous allons effectuer une
procdure LOGISTIC avec loption BACKWARD, qui va permettre dliminer
automatiquement les variables qui ne semblent pas influencer le choix de vote.
Le programme est le suivant :
proc logistic data=enl.data1;
class y RCRS2 RCRS7 RAGE SEXE RRS8 Q48 RCRS15 Q17E Q12A Q12B Q14 Q17B
Q37 Q38 Q44 Q17D ;
model y=RCRS2 RCRS7 RAGE SEXE RRS8 Q48 RCRS15 Q17E Q12A Q12B Q14 Q17B
Q37 Q38 Q44 Q17D / ctable selection=backward;
run;

Les rsultats du test sont les suivants:
Tableau numro 5 : Les variables retenues aprs avoir fait la PROC LOGISTIC, option BACKWARD
Ainsi, il reste 7 variables explicatives (4 variables de contexte) et 3 variables dopinion
dans notre tude soit diplme le plus lev, sexe , situation professionnelle , situation
familiale , TV et homosexualit , peine de mort . On garde dj les variables
dopinion , TV et homosexualit , peine de mort .

Afin de dterminer le meilleur modle avec 3 variables explicatives de contexte, nous
allons comparer les diffrents modles possibles grce aux critres AIC et SBC. Le meilleur


14 | P a g e

modle est celui qui a ces critres les plus faibles. La macro suivante nous permet de dfinir
les 4 modles possibles :
%macro logist(var1,var2,var3,var4,var5,var6);

proc logistic data=enl.data1;

class y &var1 &var2 &var3 &var4 &var5 &var6;

model y=&var1 &var2 &var3 &var4 &var5 &var6 / ctable;

run;

quit;

%mend;




Modle1 :
%logist( diplme, sexe, profession, TV homosexualit peine de mort );

Modle2 :
%logist( diplme, sexe, famille, TV , homosexualit , peine de mort );

Modle3 :
%logist(diplme, profession, famille, TV ,homosexualit, peine de mort );

Modle4 :
%logist(sexe, profession, famille, TV ,homosexualit, peine de mort );



Nous allons tenter une autre mthode pour dterminer clairement le meilleur modle
six variables explicatives.










15 | P a g e

2.2. Tous les modles possibles six variables explicatives

Comparaison des modles en utilisant les critres AIC et SBC :

Modle AIC SC -2log
1 4463.36 4642.768 4409.542
2 4467.010 4659.512 4409.010
3 4469.728 4695.440 4401.728
4 4478.741 4684.519 4416.741
Tableau numro 6 : Comparaison des modles
Le modle 1 a les critres les plus faibles. Nous le retiendrons donc comme le modle qui a
les 6 variables qui expliquent le mieux le vote pour la candidat Buffet, soit diplme, sexe,
profession, TV homosexualit peine de mort .
Le modle 1 retenu :

Tableau numro 7 : Significativit de variables

Tableau numro 7: Test de nullit global des coefficients


16 | P a g e


3. Ajustement du modle dcomposable le plus adapt aux
donnes.

Les modles dcomposables sont des modles graphiques (sous-ensemble des
modles hirarchiques, dtermins uniquement par lannulation dinteraction dordre 2) ne
contenant pas de cycle suprieur ou gal quatre, non triangularisable.
Le principe est que nous partons dun modle satur, cest dire, un modle qui
contient toutes les interactions possibles, et nous enlevons au fur et mesure toutes les
interactions qui ne sont pas significatives au seuil de 5% pour lesquelles aucune interaction
dordre suprieure les contenant nest significative au mme seuil. Ensuite, il faut vrifier que
le modle obtenu est mieux que le modle satur laide du ratio de la vraisemblance.
Grce la macro suivante, nous allons pouvoir estimer les modles dcomposables :
%let a=y;
%let b=RCRS2;
%let c=SEXE ;
%let d=RRS8 ;

%macro decomposable (m,n,o,p,q,r,s,t);
proc catmod data=enl.data1;
model y*RCRS2*SEXE*RRS8=_response_ / noresponse noparm itprint;
loglin &m|&n|&o &p|&q|&r;
title ''&m*&n*&o &p*&q*&r sans &s*&t'';
run;
quit;
%mend decomposable;

Les rsultats des significativits des modles sont rsums dans le tableau suivant
grce au Likehood Ratio :





17 | P a g e

Modle dcomposable avec les variables de contexte
Interaction non prise en compte DF Chi-2 P-Value
y*SEXE 1 0.02 0.8874
Y*Diplme le plus lev
4 7.14 0.1288
Y*Situation professionnelle
5 13.18 0.0217
Diplme le plus lev *SEXE
4 12.65 0.0131
SEXE* Situation professionnelle
6 71.65 <.0001
Situation professionnelle *
Diplme le plus lev
20 831.66 <.0001
Tableau numro 9: significativit des modles pour les variables de contexte

Quatre modles sont globalement significatifs 5%. Afin de choisir le meilleur modle
dcomposable, nous allons comparer les critres la log vraisemblance des quatre modles avec les
interactions significatives sachant quils ont tous les deux le mme nombre dobservations et le
mme nombre de paramtres. Le meilleur modle est celui qui a la log vraisemblance la plus leve.

Modles -2*log-vraisemblance
Sans Y*Situation professionnelle 52908.083
Sans Diplme le plus lev *SEXE 44497.343
Sans SEXE* Situation professionnelle 42731.53
Sans Situation professionnelle * Diplme le
plus lev
42575.329

Daprs le tableau ci-dessus on gardera le modle sans linteraction (Y*Situation professionnelle).



18 | P a g e

Modle dcomposable avec les variables dopinion
Interaction non prise en
compte
DF Chi-2 P-Value
Y*Homosexualit
4 4.46 0.3473
Y*TV
7 7.99 0.3334
Y*Peine de mort
4 2.57 0.6318
Homosexualit*TV
27 48.52 0.0067
Homosexualit*peine
de mort
16 159.39 <.0001
TV*Peine de mort
26 72.11 <.0001
Tableau numro 10: significativit des modles pour les variables dopinion

Trois modles sont globalement significatifs 5%. Afin de choisir le meilleur modle
dcomposable, nous allons comparer les critres la log vraisemblance des trois modles avec les
interactions significatives sachant quils ont tous les deux le mme nombre dobservations et le
mme nombre de paramtres. Le meilleur modle est celui qui a la log vraisemblance la plus leve
Modles -2*log-vraisemblance
Sans Homosexualit*TV
62438.767
Sans Homosexualit*peine de mort
53608.295
Sans TV*Peine de mort
50395.186

Daprs le tableau ci-dessus on gardera le modle sans linteraction (Homosexualit*TV).




19 | P a g e

Ainsi nous considrerons que la reprsentation graphique du meilleure modle dcomposable
ajustable est le suivant.

VARIABLES DE CONTEXTE







VARIABLES DOPINION














Diplme
Sexe
Situation
familiale
Vote
Homosexualit
TV
Peine de
mort
Vote


20 | P a g e


ANNEXES

libname ENL 'C:\Users\e0g411l028o\Desktop\ENL';

proc contents data=enl.data;
run;

proc freq data=enl.data;
table Q46D;
run;

data enl.data1;
set enl.data;
vote=put(Q46D,best12.);
run;

proc sql;
select distinct vote, Q46D from enl.data1;
quit;

/*la variable binaire expliquer (Y)*/
data enl.data1;
set enl.data1;
if vote in (1,2) then y=1;
else y=0;
run;

/* la variable expliquer*/
proc freq data=enl.data1;
table y;
run;

/*1. VARIABLES d'OPINION*/

/*opinion sur les immigrs*/

proc freq data=enl.data;
table Q17E;
run;

/* Chomage */
proc freq data=enl.data;
table Q14;
run;

/* Homosexualit*/
proc freq data=enl.data;
table Q17B;
run;

/*mondialisation*/
proc freq data=enl.data;
table Q44;
run;


21 | P a g e


/* 2. VARIABLES DE CONTEXET*/

/* le diplome de plus elev*/
proc freq data=enl.data;
table RCRS2;
run;

/*Tranche d'age*/
proc freq data=enl.data;
table RAGE;
run;

/*SEXE*/
proc freq data=enl.data;
table SEXE;
run;

/*situation familiale*/
proc freq data=enl.data;
table Q48;
run;

/* Test d'indepandance de chi-2*/
proc freq data=enl.data;
table Q46D *(RCRS2 RCRS7 RCRS13 RAGE SEXE GR RRS8 Q48 RCRS15) / chisq
noprint;
run;

proc freq data=enl.data;
table Q46D *(Q17E Q12A Q12B Q14 Q15 Q17B Q18 Q37 Q38 Q44 Q17D) / chisq
noprint;
run;

/* On suprime les variables RCRS13 GR Q15 Q18 car elles sont indpandentes
avec la variable expliquer */

/* La regression logistique avec l'option "backward"*/

proc logistic data=enl.data1;
class y RCRS2 RCRS7 RAGE SEXE RRS8 Q48 RCRS15 Q17E Q12A Q12B Q14 Q17B
Q37 Q38 Q44 Q17D ;
model y=RCRS2 RCRS7 RAGE SEXE RRS8 Q48 RCRS15 Q17E Q12A Q12B Q14 Q17B
Q37 Q38 Q44 Q17D / ctable selection=backward;
run;

%macro logist(var1,var2,var3,var4,var5,var6);
proc logistic data=enl.data1;
class y &var1 &var2 &var3 &var4 &var5 &var6;
model y=&var1 &var2 &var3 &var4 &var5 &var6 / ctable;
run;
quit;
%mend;

/*Les modeles*/

/*Modle 1*/
%logist(Q17B,Q37,Q17D ,RCRS2 ,SEXE ,RRS8);
/* Modle 2*/


22 | P a g e

%logist(Q17B,Q37,Q17D ,RCRS2 ,SEXE,Q48);
/* Modle 3*/
%logist(Q17B,Q37,Q17D ,RCRS2 ,RRS8,Q48);
/* Modle 4*/
%logist(Q17B,Q37,Q17D ,SEXE ,RRS8 Q48);

/* on garde le premier modle qui a un BIC et SBC minimum*/

/*Cration de la macro cat pour estimer les modles dcomposables*/

/*1. Modele decomposable avec les variables de contexte*/

%let a=y;
%let b=RCRS2;
%let c=SEXE ;
%let d=RRS8 ;

%macro decomposable (m,n,o,p,q,r,s,t);
proc catmod data=enl.data1;
model y*RCRS2*SEXE*RRS8=_response_ / noresponse noparm itprint;
loglin &m|&n|&o &p|&q|&r;
title ''&m*&n*&o &p*&q*&r sans &s*&t'';
run;
quit;
%mend decomposable;
/*Retrait de l'interaction (a*b)*/
%decomposable (&a,&c,&d,&b,&c,&d,&a,&b);
/*Retrait de l'interaction (a*c)*/
%decomposable (&a,&c,&d,&b,&c,&d,&a,&c);
/*Retrait de l'interaction (a*d)*/
%decomposable (&a,&c,&d,&b,&c,&d,&a,&d);
/*Retrait de l'interaction (b*c)*/
%decomposable (&a,&c,&d,&b,&c,&d,&b,&c);
/*Retrait de l'interaction (b*d)*/
%decomposable (&a,&c,&d,&b,&c,&d,&b,&d);
/*Retrait de l'interaction (c*d)*/
%decomposable (&a,&c,&d,&b,&c,&d,&c,&d);

/*2. Modele decomposable avec les variables d'opinion*/
%let e=y;
%let f=Q17B;
%let g=Q37 ;
%let h=Q17D ;

%macro decomposable2 (m,n,o,p,q,r,s,t);
proc catmod data=enl.data1;
model y*Q17B*Q37*Q17D=_response_ / noresponse noparm itprint;
loglin &m|&n|&o &p|&q|&r;
title ''&m*&n*&o &p*&q*&r sans &s*&t'';
run;
quit;
%mend decomposable2;
/*Retrait de l'interaction (e*f)*/
%decomposable2 (&e,&g,&h,&f,&g,&h,&e,&f);
/*Retrait de l'interaction (e*g)*/
%decomposable2 (&e,&f,&h,&f,&g,&h,&e,&g);
/*Retrait de l'interaction (e*h)*/
%decomposable2 (&e,&f,&g,&f,&g,&h,&e,&h);
/*Retrait de l'interaction (f*g)*/


23 | P a g e

%decomposable2 (&e,&f,&h,&e,&g,&h,&f,&g);
/*Retrait de l'interaction (g*h)*/
%decomposable2 (&e,&f,&h,&e,&f,&g,&g,&h);
/*Retrait de l'interaction (f*h)*/
%decomposable2 (&e,&f,&g,&e,&g,&h,&f,&h);