Université Du Québec Montréal

UNIVERSITÉ DU QUÉBEC À MONTRÉAL
L'IMPACT DE L'ACTIVITÉ SPORTIVE SUR LES RÉSULTATS

SCOLAIRES
MÉMOIRE
PRÉSENTÉ
COMME EXIGENCE PARTIELLE
DE LA MAÎTRISE EN ÉCONOMIQUE
PAR
TAMARA CAP
SEPTEMBRE 2015
UNIVERSITÉ DU QUÉBEC À MONTRÉAL
Service des bibliothèques
Avertissement
La diffusion de ce mémoire se fait dans le respect des droits de son auteur, qui a signé
le formulaire Autorisation de reproduire et de diffuser un travail de recherche de cycles
supérieurs (SDU-522 - Rév.01-2006) . Cette autorisation stipule que «conformément à
l'article 11 du Règlement no 8 des études de cycles supérieurs, [l 'auteur] concède à
l'Université du Québec à Montréal une licence non exclusive d'utilisation et de
publication de la totalité ou d'une partie importante de [son] travail de recherche pour
des fins pédagogiques et non commerciales. Plus précisément, [l 'auteur] autorise
l'Université du Québec à Montréal à reproduire, diffuser, prêter, distribuer ou vendre des
copies de [son] travail de recherche à des fins non commerciales sur quelque support
que ce soit, y compris l'Internet. Cette licence et cette autorisation n'entraînent pas une
renonciation de [la] part [de l'auteur] à [ses] droits moraux ni à [ses] droits de propriété
intellectuelle. Sauf entente contraire , [l'auteur] conserve la liberté de diffuser et de
commercialiser ou non ce travail dont [il] possède un exemplaire."
ii
REMERCIEMENTS
Tout d'abord, je tiens à remercier M. Philip Merrigan, mon directeur de mémoire,

pour sa patience, son support et ses encouragements depuis le début de ce travail de
recherche. J'aimerais aussi remercier M. Pierre Lefebvre, codireceur, qui fût d'une
aide cruciale. Ensuite, je me dois de saluer et remercier M. Frank Larouche, analyste
du centre de recherche interuniversitaire québécois de statistiques sociales de
Montréal, pour tout son aide, son temps, sa patience et sa compréhension au cours des
deux dernières années et M. Frédéric Broussau, analyste du centre de recherche
interuniversitaire québécois de statistiques sociales de Montréal, pour son aide
indispensable dans la construction des fondations du programme pour ce travail.
Finalement, merci aux membres du CIQSS pour le soutient fmancier à travers leur
programme de bourses pour une Bourse d'accueil.
Les analyses contenues dans ce texte ont été réalisées au Centre interuniversitaire
québécois de statistiques sociales (CIQSS), membre du Réseau canadien des centres
de données de recherche (RCCDR). Les activités du CIQSS sont rendues possibles
grâce à l'appui financier du CRSHC, des IRSC, de la FCI, de Statistique Canada, du
FRQSC ainsi que de l'ensemble des universités québécoises qui participent à leur
financement. Les idées exprimées dans ce texte sont celles de l'auteur et non celles
des partenaires financiers.
111
DÉDICACE
À mes parents, ma sœur et mon entraineur Alfredo .
.Merci pour votre support constant depuis le premier jour où j'ai entrepris ce
périple. Plusieurs hauts, plusieurs bas, mais enfin le bout du tunneL
IV
TABLE DES MATIÈRES
LISTE DES TABLEAUX .... .. ... ..... .... .. .. ........ ........ ....... .... .. ...... .... ...... .... .. ..... .. .. ... .. ..... ... .. .... .. vi
RÉSUMÉ ............ .... .... ... .... ..... ... ..... ..... .......... ... .... ... ... ... ... ... .... ........... ............ .. .... ......... ..... ... vii
INTRODUCTION ..... ... ..... .. .. ..... ........... ... ..... ........ ........ ....... ...... .... ... ... ....... .... .. ....... ....... .. .... ..
CHAPITRE I
DONNÉES .... ...... .... ...... .... .... ..... .. .. .... .. ...... ..... ...... ..... .. ..... ... .... .... ... ..... ...... ..... ... ...... ...... .......... 9
1.1 Échantillon initial .. .. ... .. .. ... .. .. .. .. . .. ...... . .. .. .. ... .. ... .. .. . .. .. .. . .. .. .. . .. .... . .. .. .. .. .. .. .. .. .. .. .. .. .... .. .. .. 9
1.2 Échantillon final .... .... .. ...... .. ....... ....... ........ .... .. ..... .. ... ... ..... ... ... .. .. ...... ... .... .... ...... .... ..... 12
MÉTHODOLOGIE .......... ... ....... ... ..... ... .... .... .... ..... ..... .... .... ... ... .... .. ........ .. .. ... .. ... ......... .. ... .. .. . 23
CHAPITRE II
MODÈLES ...... ... ....... .. ... .... .. .... .... ................ .... .. ... ......... ........ ... .... ..... ..... .. ........ .. .... ..... .. ........ 26
2.1 Modèles de base .. ... .......... ....... .. .. ................ .. .... .......... .. .. .... ... .. .... .............................. .. 27
2.1.1 Modèle d ' estimation avec effets aléatoires ... .. ...... ....... ... ............................... ... 27
2.1.2 Modèle d'estimation à effets fixes ... .. .. .. .. .. .. .... .. ... ... .... ..... .. ... ..... .... .. .. ...... .... .... 28
2.1.3 Modèle de régression linéaire par moindre carré ordinaire ....... ...... .. ..... .... .... .. . 29
2.2 Modèles modifiés .... .. ..... ..... .. .... .. .......... .... ...... .... .. ... ... .... ....... ... .. .. ...................... ........ 30
CHAPITRE III
RÉSULTATS ..... ...... ...... .. ... ...... .... .. ........ ... .. .... .... ............ ........... .. .. ..... ....... .. .. .. .. .. ... ..... ......... 31
3.1 Résultats modèles de base .. .. . .. .. .. .. .. .. . .. .. ... . .. ... .. ....... .. .... .. .... ... .. .. .. ... ..... .. ... .. .. .. .. ... ... .. . 31
3 .1.1 Résultats : Modèle à effets aléatoires ............. .. ... .. .. ... .......... .... ........ .. ...... ........ . 31
3.1.2 Résultats : Modèle à effets fixes ........... ...... .... ... ... ....... .... .. ...... .. .. .... ...... ..... ....... 36
3.1.3 Résultats : Test Hausman .. .. ... ...... ... ...... ... ........ ... ..... .... ........ .... .. ... .. ... ........ ..... .. 41
3.1.4 Résultats : Modèle de régression linéaire .. .... .. .... .......... .... ...... ... .. ....... ....... .... ... 42
v
3.2 Résu ltats : Modèles modifiés .... ........ ... ...... .. .... ... .... ............ .. ... ....... .. ........ ..... ... ..... ...... 44
3.2. 1 Résultats : Modèle à effets aléatoires .... ...... ... .... ....................... .. ... ..... .............. 44
3 .2 .2 R ésu ltats : Modè le à effets fixes ............ .. ... ... .................. ...................... .. ... ..... .. 46
3.2.3 Résu ltats : Test Hausman ............. .... ... ... ........ .. .... .... ...... ........ ................... ... ..... 49
3.2.4 R ésultats :Modèle de régression li néa ire .... .. .... ........................... ........ ............. 49
CHAPITRE IV
DISCUSSION DES RÉSULTATS ... .... ........ ........ ....... .. ....... .... ...... .. ... .. ... ... ......... .................. 52
CONCLUSION ................ ....... ...... .... ...... ....... ................... ............ ......... ..... .... ...... ....... ... ... .. .. . 58
APPENDICE A .. ........ ........... ........ ...... ... ... ....... ... ... .. .. .. .. .... ... ........... ..... .. .... .......... ..... .... ..... .... 60
BIBLIOGRAPHIE ................ ............................................... ... ............... ................... ......... .... 66

Vl
LISTE DES TABLEAUX
Tableau Page
TABLEAU 1: ÉCHANTILLONNAGE DE L'ELNEJ : ÂGE À CHAQUE CYCLE ...... ....... 11

TABLEAU 1.1: CROISÉ: ÂGE ET CYCLE .............. .... ...... ... .............................................. 12
TABLEAU 1.2: STATUT SPORTIF SELON L'ÂGE DE L'ENFANT ......... ....................... 13

TABLEAU 1.3 : STATUT SPORTIF SELON LE SEXE DE L'ENFANT ............... .............. 14
TABLEAU 1.4: MOYENNE DU SCORE À L'EXAMEN DE MATHÉMATIQUES .......... 14
TABLEAU 1.5 : LISTE DES VARIABLES ........................................................................... 20
TABLEAU 1.6: TAUX DE RÉPONSE À L'ELNEJ PAR PROVINCE .................... .. .. ........ 22
TABLEAU 3.1: ESTIMATEURS : RÉGRESSION À EFFETS ALÉATOIRES ................... 32
TABLEAU 3.2: ESTIMATEURS: RÉGRESSION À EFFETS FIXES .... .................. .. ......... 38
TABLEAU 3.3: ESTIMATEURS: RÉGRESSION LINÉAIRE ............................................ 43
TABLEAU 3.4: ESTIMATEURS: RÉGRESSION À EFFETS ALÉATOIRES-

ACTIFS ...... ................ ... .. .... ... .......................................................... .... ....... 45
TABLEAU 3.5: ESTIMATEURS: RÉGRESSION À EFFETS FIXES -

ACTIFS .......... ..... ...... .... ... ..... .. ... ........... .... .. ... .. ... .. ........ ... ... ..... ..... .............. 48
TABLEAU 3.6: ESTIMATEURS: RÉGRESSION LINÉAIRE-

ACTIFS ..... ... .. .. ........ ... .. .......... ......................... ....... ....... .... .... ... ... ..... .... ... ... 51
TABLEAU 4.1: DONNÉES ÉQUATIONS (2) ........ ...... .... .. .... .... ........ ........ .. ...... .................. 57
TABLEAU A.1: BREUSH-PAGAN: XTREG, RE- SPORTIF ................. .... .......... .. ............ 60
TABLEAU A.2: BREUSH-PAGAN: XTREG, RE- ACTIF ...................... .. ........ ... .. ........ .. .. 61
TABLEAU A.3: TESTS VARIABLES EXPLICATIVES PRINCIP ALES .... ......... .............. 61
TABLEAU A.4 : HAUSMAN - SPORTIF ........................ .... .. .... .... .... ...... .......... ........... ......... 62
TABLEAU A.5 : HAUSMAN- ACTIF .................... ........ .. ................................................... . 63
TABLEAU B .1: STATISTIQUES DESCRIPTIVES - SPORTIFS ................................ .. ..... 64
TABLEAU A.5 : STATISTIQUES DESCRIPTIVES - ACTIFS ........ .................... ................ 65

vii
RÉSUMÉ
Le travail de recherche présenté ici constitue une exigense du programme de maîtrise

en économique de l'Université du Québec à Montréal, entrepris en août 2013, sous la
supervision de M. Philip Merrigan et M. Pierre Lefebvre.
L'objectif principal de ce mémoire est de déterminer si le fait de pratiquer une

activité sportive hors de l'établissement scolaire plus d'une fois par semaine a un
impact significatif sur les résultats à un test de mathématiques, soit le CAT/2, qui sera
la variable dépendante des modèles de régression pour mesurer la performance
scolaire des étudiants observés. Les résultats, bien que faibles, corroborent cette
hypothèse.
La question sous-jacente à cette étude, la conciliation entre le sport et les études,

ainsi que les biensfaits et les conséquences qui y sont reliés, a été le sujet de plusieurs
études commentées dans la revue de la littérature.
À l'aide de l'Enquête longitudinale nationale sur les enfants et les jeunes (ELNEJ) un
échantillon de 1300 étudiants âgés de 7 et 9 ans et observés deux fois du premier au
troisième cycle est construit afin d'estimer des modèles de régression pour des
données de panel.
Trois méthodes d'estimation sont utilisées pour estimer l'impact du sport sur les
performances scolaires : un modèle de régression à effets fixes , un modèle de
régression à effets aléatoires et un modèle de régression simple par moindre carré
ordinaire.
Mots-Clés :panel, longitudinal, sport, physical activity, academie performance.

INTRODUCTION
Le ministère de l' Éducation, du Sport et du Loisir (MELS) s'efforce à chaque année à

promouvoir le sport, la réussite scolaire et la santé chez les étudiants du primaire
jusqu'au secondaire sur tout le territoire québécois. Il met à la disposition des
communautés plusieurs associations sportives qui permettent aux jeunes de pratiquer
leur sport. Tout récemment, il y a eu l'implantation d'un crédit d ' impôt pour les
activités physiques des enfants des contribuables aftn d' inciter les parents à motiver
leurs enfants à pratiquer un sport ou une activité parascolaire. De plus, le ministère a
augmenté le nombre d'heures dédié aux cours d'éducation physique dans les
établissements du Québec. Tous ces gestes que pose le MELS ne sont pas sans
motivation.
Cette thèse cherche à démontrer si l' activité sportive a un impact sur les résultats
scolaires et si ce lien de causalité est significativement important. Le développement
durable est devenu un sujet populaire au cours des dernières années, mais il faut aussi
tenir compte du développement des humains qui batiront notre société du futur. Il est
donc essentiel pour la société d ' être au courant de l'effet de la pratique sportive sur le
rendement académique d' un étudiant, car elle pourrait utiliser le sport pour contrer le
décrochage scolaire, pour demander un meilleur fmancement du sport à ses élus et
permettre au Québec de mieux se classer au seins des pays de l'OCDE (MELS,
2010a).
L'étude la plus similaire à notre travail de recherche est celle de Shepard et al.,
originalement écrit en 1984. Au total, 546 étudiants d'écoles primaires de Trois-
Rivières ont été retenus. Les établissements qui ont pris part à cette étude ont divisé
leurs étudiants en deux groupes. En retranchant du temps des autres matières, sauf les
cours d'anglais, le groupe expérimental a pu bénéficier de 5 heures d'éducation
physique par semaine. Les autres étudiants recevaient le minimum de 40 minutes
2
requis par le ministère de l'Éducation du Québec. Ces deux groupes ont été suivi de
la première à la sixième année (Shepard, 1997). De plus, ils ont pu compiler des
résultats à l'aide de tests sur l'intelligence et sur le développement psychomoteur. Les
tests utilisés sont le « Goodenough » test et le WISC test (W echsler Intelligence sc ale
for Children). À première vue, les résutlats du WISC test démontrent que les
étudiants du groupe expérimental ont obtenu des résultats supérieurs à ceux des
étudiants des autres groupes. Les auteurs ont voulu vérifier l'impact d 'une
augmentation du nombres d'heures allouées à l'éducation physique sur les résultats
en français, en mathématiques, en science de la nature et sur le comportement. Ces
résultats ont été compilés à chaque année pour chaque étudiant participant. Pour
évaluer l' impact du programme expérimental sur les résultats académiques et pour
présenter une comparaison entre les résultats obtenus par les deux groupes, les
auteurs se sont servis du programme MANO V A, soit une technique d'analyse de
variance avec plusieurs variables dépendantes qui permet ainsi de tester la différence
entre plusieurs vecteurs de moyennes. En première année, les résultats semblent
démontrer que les étudiants du groupe non-expérimental ont obtenu, en moyenne, de
meilleurs résultats que le groupe expérimental. Cependant, cette tendance est
renversée pour toutes les autres années, surtout en deuxième, troisième, cinquième et
sixième année. En mathématiques, les groupes expérimentaux ont obtenu de
meilleurs scores dans quatre comparaisons et des résultats égaux aux autres groupes
dans huit comparaisons. Le groupe expérimental n'a pas obtenu de résultats plus
faibles et ce, pour toutes les comparaisons. Cette étude longitudinale présente des
résultats qui corroborent les hypothèses de ce mémoire. Ici aussi , des facteurs socio-
économiques et démographiques, l'âge et le sexe ont été inclus dans l'analyse.
Cependant, plusieurs points importants différencient les travaux. D ' abord, la
méthodologie utilisée est une régression longitudinale alors que l'expérience de
Shephard et al. utilise une méthode de comparaison. De plus, 1'étude de Trois-
Rivières a été mené dans cette ville, soit une ville majoritairement francophone.
L ' ELNEJ offre un échantillon plus vaste et diversifié.
3
Le texte de Carlson et al. (Carlson, 2007) s'appuie sur l'enquête longitudinale « The
Early Chidhood Longitudinal Study, Kindergarten Class of 1998 to 1999 » qui est un
échantillon représentant des enfants entrant la prématernelle (Kindergarten) en 1998
jusqu'à leur cinquième année de primaire en 2004. Cette analyse examine l'influence
de l'activité physique sur les résultats en mathématique et en lecture à l'aide d'un
échantillon de 5316 étudiants représentant une étude longitudinale menée de 1998 à
2004 dans des écoles primaires américaines. En tenant compte du revenu familial, de
l'ethnie, de l'éducation de la mère, du sexe de l'enfant ainsi que de plusieurs variables
démographiques, les auteurs ont effectué une régression linéaire multivariée
longitudinale à l'aide du programme SUDAAN pour tester la relation entre l'activité
physique et les scores en mathématiques et en lecture. À chaque année, les résultats
dans ces deux domaines ont été compilés en contrôlant pour le niveau de scolarité de
1' enfant. De façon générale, les résultats réfutent leur hypothèse initiale. Chez les
filles, seuls les résultats en lecture des étudiantes de cinquième année étaient
significatifs et positivement reliés à la pratique d 'activités physiques. Chez les
garçons, aucune différence n'a été notée dans les résultats en mathématiques et en
lecture. Les résultats négatifs obtenus dans cette enquête peuvent être liés à la façon
dont les données ont été manipulées afin de produire un échantillon représentatif de la
population américaine.
L 'étude canadienne « Th e relationship between physical activity, self-esteem, and

academie achivement on 12 year-old children », a été mené par Mark S. Tremblay et
al. (Tremblay, 2000). Ils ont tenté d'étudier la relation entre la participation à des
activités physiques, l'estime de soi, un index de poids et les performances
académiques pour des étudiants en sixième année de primaire au Nouveaux-
Brunswick. Tout comme pour ce mémoire, les auteurs ont pris le soin de tenir compte
de certains facteurs socio-économiques. Au total, 74,3 % de la population totale
d'étudiants de sixième année du Nouveaux-Brunswick ont répondu au questionnaire
4
qui leur a été envoyé aftn de recueillir les informations concernant le sexe, l'âge, la
structure familiale et le statut socio-économique des familles. Quatre questions ont
été utilisées pour différencier les niveaux d'activité physique, soit: combien de fois
dans la dernière semaine l'enfant a-t-il pratiqué un sport où le niveau d'intensité
cardiorespiratoire était élevé, combien de fois dans la dernière semaine l'enfant a-t-il
fait du vélo ou de la marche durant au moins 20 minutes, combien de fois dans la
dernière semaine l'enfant a-t-il fait des exercices d'étirement et combien de fois dans
la dernière semaine l'enfant a-t-il fait des exercices du musculation (Tremblay, 2000).
En régressant le résultat au test de mathématiques sur la variables d'activité physique,
soit un aggrégrat pondéré des résultats aux quatres questions mentionnées plus haut,
le sexe, le statut socio-économique, la structure familiale, le nombre de frères et
sœurs et l'estime de soi, les auteurs ont trouvé une relation négative significative entre
les résultats en mathématiques et l'activité physique. Ces résultats peuvent être
expliqués par le fait que la population est représentative du Nouveaux-Brunswick
seulement. On ne peut donc pas extrapoler au Canada. De plus, la courte période sur
laquelle les données ont été collectées et le peu de variables explicatives peuvent être
responsables de biais dû à la présence d'hétérogénéité ou de corrélation entre les
variables explicatives. Si l'hypothèse d'homogénéité n'est pas respectée, les estimés
de la régression seront biaisés et ne pourront être utilisés pour des ftns d'inférences .
Ces types de problèmes ne risquent pas d'apparaître dans ce mémoire étant donnée le
plus grand nombre de variables explicatives et que le panel s'étend sur plusieurs
périodes. De plus, comme ils le soulignent dans leur conclusion, les questions posées
aux enfants pour mesurer le niveau d'activité physique manquent de précision. Celles
de l'ELNEJ permettent de séparer en cinq niveaux la fréquence à laquelle 1'enfant
pratique le sport. Finalement, la variable utilisée pour mesurer la performance
scolaire dans ce mémoire est un test standardisé à l'échelle nationale et administré à
tous les étudiants durant les huit cycles de l'ELNEJ tandis que dans le texte de
Tremblay et al., le test n'est administré qu'aux étudiants de sixième année au
Nouveau-Brunswick.
5
L'article d'Elizabeth Mulholland « L ' influence du sport : le rapport sport pur. »

(Mulholland, 2008) propose des conclusions qui consolident celles des études
présentées plus haut. Suite à la pratique d'une activité physique, l'enfant est plus
détendu ce qui lui permet d' améliorer sa mémoire et d' être plus concentré. La
résolution de problèmes se fait avec plus de latitude étant donné la meilleure
concentration.
Le texte de Mulholland se base, entre autre, sur un article souvent cité dans la
littérature, soit celui de Richard Bailey dans Journal of School Health « Physical
Education and Sport in Schools : A Review of Benefits and Outcomes » (Bailey,
2006). Dans son texte, l'auteur fait une revue des essais scientifiques qui ont analysés
les effets du sport sur les résultats scolaires. Il se base sur plusieurs points de son
inspection des articles pour finalement porter une conclusion qui appuie la prémisse
présentée au début de ce travail. Ainsi Bai ley conclue que :
Overall, the available research evidence suggests that increased levels

of physical activity in school- such as through increasing the amount
oftime dedicated to PES-does not interfere with pupils' achievement
in other subjects (although the tirne available for these subjects is
consequently reduced) and in many instances is associated witb
improved academie performance (Bailey, 2006) .
Le texte Évaluation de l 'expérience des participants au programme sport-études

proposé par le Ministère de l'Éducation, du Loisir et du Sport (MELS, 20 13) est un
croquis partiel de ce mémoire. Ce document présente tm sommaire des résultats
6
académiques obtenus par des étudiants inscris au programme de sport-études versus

des élèves qui ne le sont pas. Il fait aussi état de l'arbitrage que doivent faire ces
jeunes entre le temps dédié au sport et celui consacré aux études et ce, selon le point
de vue des étudiants-athlètes, de leurs entraîneurs et de leurs parents. Les résultats
obtenus dans l'étude menée par le MELS sont significatifs: les étudiants inscris au
programme sport-études ont de meilleurs résultats en Histoire, en Mathématiques et
en Français.
Le résumé d 'Anne Guèvremont et al. «Une forte participation à des activités

parascolaires contribue-t-elle ou nuit-elle au développement de l' enfant? »
(Statistique Canada, 2010) pose plusieurs constats qui s'allignent avec les attentes de
ce mémoire. Parmi les points importants, il semblerait que les activités parascolaires
aient une influence positive, mais limitée, sur les résultats académiques, plus
précisement en mathématiques. De plus, le lien de causalité entre la pratique
d' activités sportives et les rendements acadamiques est plus significatif pour les
activités exercées hors de l' établisement scolaire que celles réalisées à l'école.
Cependant, ce constat ne tient que pour le groupe d'âge des 14-17 ans.
Dans un autre ordre d' idée, le livre de Francine Lauzon, L 'éducation psychomotrice:
Source d 'autonomie et de dy namisme (Lauzon, 1990) présente les éléments essentiels
au développement d'un enfant en regroupant des aspects cognitifs, socio-affectifs et
psychomoteurs. Elle consacre un chapitre à l'importance et l'impact de l'activité
physique sur le évolution des jeunes enfants. Ses conclusions sont claires quant au
développement de l'autonomie, la confiance en soi et de l'estime de soi . L'atteinte de
ces objectifs passe par la conquête d' habiletés motrices et sensorielles qui
s'amplifient avec la pratique d'activité physique. L'auteure affirme aussi que les
activités sensorielles et motrices sont nécessaires au développement de l'intelligence
et du rapport socio-affectif de l'enfant.
7
Le chapitre « Le continu du discours : les prolongements éducatifs » tiré du livre

Sport et délinquance de Jean-Yves Lassalle (1988) suggère des conclusions au sujet
de la réabilitation des délinquants à travers le sport. Ses conclusions peuvent être
mises en parallèle avec cet essai, car elles portent sur les dimensions psychologiques
et relationelles d 'un individu. Sur le plan psychologique, il souligne que l' activité
sportive premet de développer des qualités comme le respect des règles, la maîtrise de
soi et la satifaction personnelle qui sont des éléments nécessaires pour le bien-être
d 'un individu. Du point de vue relationel, l' auteur atteste que le sport, et surtout le
sport d ' équipe, permet à un individu de mieux exprimer ses sentiments, de
développer un sentiment d ' appartenance et est un excellent canal pour introduire le
travail d'équipe.
Finalement, il existe des études qui se sont lancé sur les mêmes pistes que celles
présentées plus haut, mais avec des résultats différents. Dans celle de James F. Sallis
et al. « Effects of Health-Related Physical Education on Academie Achivement :
Project SPARK » (Sallis, 1999), les auteurs présentent une étude qu ' ils ont menée
pendant deux ans auprès de 7 écoles primaires dans une banlieu du sud de la
Californie. Les variables utilisées pour mesurer les résultats scolaires sont les tests du
Metropolian Achivement Test, MA T6 et MAT7, soit un test de mathématique et un
test de psychologie. Ils cherchaient à démontrer si une augmentation des heures
dédiées aux cours d 'éducation physique serait reliée à une augmentation des
performances académiques. Leur constat fut que ce n ' était pas le cas. Il faut tenir
compte du fait que l'échantillon utilisé pour leur étude ainsi que la durée du panel
sont de taille faible et assez court, ce qui cause un problème de non-stationnarité des
données, comme mentionnés dans la section Méthodologie. L ' enquête utilisée pour la
présente étude ne fait pas face à ce genre de problème.
8
La problématique qui entoure l'étude de l'effet du sport sur les résultats scolaires
repose sur plusieurs aspects : le sport, bien entendu, mais aussi le développement
humain, le financement et l'importance que les Québécois accordent au sport. Il
faudra s' intéresser à plusieurs domaines afin de bien saisir l'amplitude des bienfaits
du sport sur les rendements académiques.
À la lumière de ces informations, cette recherche tentera de démontrer qu 'au-delà de

l'agressivité et de l' instinct de compétition qui peuvent être développés en pratiquant
certains sports, les bienfaits qu'a la pratique d'activités sportives sur les résultats
scolaires peuvent être significativement importants. Certes, ces comportements
négatifs sont peu souhaitables et la violence dans le sport est un phénomène
préoccupant qui a pris de l'ampleur au cours des dernières années, mais il ne faut pas
oublier que ce travail porte sur des étudiants sous la responsabilité de parents,
enseignants et entraîneurs qui ont le devoir d'apprendre à ces jeunes comment utiliser
le sport comme antidote à de tels sentiments. Ainsi, avec des conclusions qui
appuient les postulats présentés ci-haut, ces résultats permetteront d'éclairer, en
partie, la tâche de notre société qui est en charge d'éduquer la génération des adultes
de demain.
CHAPITRE I
DONNÉES
1.1 Échantillon initial
L' objectif de ce travail est d'établir un lien empirique entre l' activité sportive et la
performance à 1' école avec 1' Enquête longitudinale nationale sur les enfants et les
jeunes (ELNEJ) de Statistique Canada, qui est biennale et qui couvre les années
1994-1995 à 2008-2009. Le site web de Statistique Canada la décrit ainsi:
L'Enquête longitudinale nationale sur les enfants et les jeunes (ELNEJ)

est une étude à long terme sur les enfants canadiens qui permet de
suivre leur croissance et leur bien-être de la naissance au début de l'âge
adulte. Ayant débutée en 1994, l'ELNEJ est menée conjointement par
Statistique Canada et Ressources humaines et Développement des
compétences Canada (RHDCC), connu auparavant sous le nom de
Développement des ressources humaines Canada (DRHC). L'enquête a
été conçue pour recueillir des renseignements sur les facteurs qui
influent sur le développement social et émotionnel ainsi que sur le
comportement des enfants et des jeunes. Elle permet en outre de suivre
les conséquences de ces facteurs sur leur développement au fil du
temps. L'enquête porte sur un large éventail de sujets y compris la
santé, Je développement physique, l'apprentissage et le comportement
des enfants ainsi que des données sur leur environnement social
(famille, amis, école et communauté).
10
La variable utilisée pour mesurer la performance scolaire est le score d'un test en
mathématiques, le CAT/2, dont la difficulté augmente avec le niveau de l'année
scolaire. Ce test est produit à tous les cycles (8) de l'ELNEJ pour les enfants à l'école
et qui ont de 7 à 15 ans. Ce test mesure les capacités de l' élève à effectuer des
opérations d' addition, de soustraction, de multiplication, de division et à résoudre des
problèmes comportant des pourcentages. Seul le score gradué est retenu pour ce
mémoire (ELNEJ, 2010).
Deux variables indépendantes vont être utilisées pour calculer l' impact de l' activité
physique sur les résultats en mathématiques. Plusieurs questions relatives au sport
sont disponibles dans I'ELNEJ, mais pour une grande majorité, elles ne sont pas
récurrentes à travers les cycles . La variable actif représente les étudiants qui
pratiquent une activité parascolaire quelconque, alors que la variable sportif
représente les étudiants qui pratiquent une activité sportive. Pour la variable sportif,
on demande au répondant : « Dans les 12 derniers mois, en dehors des heures de
classe, à quelle fréquence a-t-il/elle participé à des activités physiques ou à des sports
libres? ». Les réponses retenues sont : presque tous les jours, quelques fois par
semaine, environ une fois par semaine, environ une fois par mois et presque jamais.
L'étudiant pour qui le parent a répondu une des trois premières réponses est considéré
sportif. Celui dont le répondant a choisi une des deux dernières réponses est classé
parmi les non-sportifs. En ce qui à trait à la variable actif, la question posée est:
«Dans les 12 derniers mois, en dehors des heures de classe, à quelle fréquence a-t-
il/elle suivi des leçons ou des cours de musique, de danse ou d'art ou participé à
d'autres activités non sportives? ». Le choix de réponses et le processus de
catégorisation est le même que pour la variable relative au sport.
La corrélation entre ces deux variables est de 19,77 % dans l'échantillon de

régression. La corrélation entre la variable sportif et scoreMath est de 9,61 % alors
qu'elle est de 5,73 % entre actif et scoreMath . Ainsi, nous pourrons produire des
11
estimations de l'effet de l'activité physique sur les scores de mathématiques avec des
techniques de régression pour données longitudinales. Plusieurs milliers d'enfants ont
participé à cette enquête ce qui la rend très attrayante.
L' échantillon initial est constitué d'enfants répartis à travers le Canada âgés entre 0 et
11 ans. La distribution des étudiants à travers les cycles est décrite dans le diagramme
suivant où les longues flèches représentent la cohorte initiale alors que les petites
représentent les cohortes du Développement de la petite enfance.
Tableau 1. Échantillonnage de l'ELNEJ: Âge à chaque cycle
0 ~ Cyde 1 : 1994-1995
y ·
~ Cycle~ : l99'-l99
1
01>_ ~Cy-rte3 · 1999-1999
10 l) _;~~ Cyde4 : _000-_001
~. l.a; ._ _ _ _~-,~> Cyde 5 : 2002-200.3
L....:.:::.__ _ _ _ _ ~ Cyde 6 : 2004-2005
~
1:):......_ _ _ __, "J._
c_:.- -> C)·cLe 7 . _Q()6-200ï
Source : Statistique Canada, ELNEJ.

12
Étant donné que le degré de difficulté du test de mathématique, le CAT/2, augmente

avec la scolarité, il sera tout aussi important de contrôler l'âge des étudiants afin de
pouvoir faire des comparaisons raisonnables. Pour la distribution des individus par
âge, présenté dans le Tableau 1 plus haut, il est à noter que du cycle 5 au cycle 8, la
distribution du nombre de répondants par âge est incomplète, car la cohorte initiale de
0 à 11 ans a vieilli à chaque cycle sans remplacement. Ceci est dû au manque de
répondants pour certains groupes d' âge.
De plus, les cycles 4 à 8 ne sont pas retenus sutout dû au problème des données
manquantes quant à la question par rapport au sport. En effet, une modification dans
la formulation et le codage de la question font qu ' aucune observation est notée après
le cycle 3 pour cette question. Étant donné le nombre de répondants trop faible pour
certains groupes d'âge et une distribution plutôt hétérogène pour certains cycles, seuls
les enfants de 7 et 9 ans seront observés et ce, deux fois du premier au troisième cycle
inclusivement.
1.2 Échantillon final
L ' échantillon final est constitué de 1300 étudiants âgés de 7 et 9 ans observés au
cours des trois premiers cycles, plus précisement, 650 enfants observés deux fois dans
la régression. La décomposition du panel par cycle est présentée dans le Tableau 1.1
ci-dessous.
Tableau 1.1 Tableau croisé- Âge et cycles
Cohorte Cycle 1 Cycle2 Cycle3

: · :-:· . ·: r .·.·.·.< <
7 ans-Cycle 1 7 ans = 314 obs. : : : : : : : : : ~ : : : : : : : : : : :
7 ans-Cycle 2 7 ans= 318 obs.
9 ans-Cycle 2 9 ans = 332 obs .
9 ans-Cycle 3 9 ans = 336 obs.
Source : ELNEJ et calculs de l'auteure.
13
Deux constats sont tirés de la distribution des jeunes qui ont répondu à la question sur
le sport. D ' abord, le nombre de sportifs est plus important que le nombre de non-
sportifs et ce, qu'ils soient observés à 7 ans ou à 9 ans. Ensuite, lorsque ces jeunes
sont observés pour la deuxième fois, on note que 24 étudiants passent du statut de
non-sportif à sportif. Ces constats sont présentés dans le Tableau 1.2 ci-dessous.
Tab lea u 1.2 Statut sportif selon l'âge de 1' enfant
Âge de 1' enfant Total

4-<
.......
7 ans 9 ans
....
0
0.,
0 282 258 540
Cl)
1 368 392 760
Total 650 650 1300
Source: ELNEJ et calculs de l'auteure.
Lorsque la distribution des enfants qui ont répondu à la question sur le sport est
observée par sexe, elle montre que les parents des garçons sont moins nombreux que
ceux des filles à répondre. Pour ce même groupe, les sportifs représentent plus du
double de garçons non-sportifs alors que chez les filles, les deux groupes ont un
nombre plutôt égal d'étudiantes. Ces variables sont présentées dans le Tableau 1.3
suivant.
14
Tableau 1.3 Statut sportif selon le sexe de l' enfant
Sexe de l'enfant Total

"-'
·.;:::: 0 (garçon) 1 (fille)
.....
0
o.
0 180 322 502
en 1 464 334 798
Total 644 656 1300
En ce qui à trait à la distribution des moyennes obtenues au test de mathématiques, il

faut souligner que ces moyennes ne varient pas de façon significatives lorsque les
sexes sont observés séparément pour tous les cycles. Pour tous les cycles, l'écart entre
la moyenne des garçons et la moyenne du test, lorsque les sexes sont confondus, n'est
pas significatif. Cette conclusion s'applique aussi pour la moyenne du test obtenue
par les filles. De plus, la moyenne varie à la baisse à chaque cycle, sauf pour les deux
premiers cycles chez les filles. Cette diminution est explicable par le niveau de
difficulté du test qui augmente à chaque année et ce, malgré une graduation faite en
fonction de l'année scolaire. Pour l' échantillon de la régression, la moyenne au score
de mathématique est de 364 points. Le Tableau 1.4 ci-bas présente les moyennes
obtenues au test.
Ta blea u 1.4 Moyenne du score à l'examen de mathématiques
Moye nne au
Moyenne- Écart-
Écart-type Moyenne-Filles scoreMath
Garçons type
(com binées)
Cyclel 367.9 66.90 363 .9 66.58
Cycle2 364.7 66.66 367.6 67.51 363.8
Cycle3 340.4 60.30 344.4 63.09
15
Évidemment, beaucoup de facteurs autres que les activités sportives peuvent avoir un
impact sur les résultats au test de maths. L ' ELNEJ offre une vaste diversité de
variables de contrôles qui pourraient être potentiellement incluses dans une régression
cherchant à estimer l' effet de l' activité sportive sur les résultats en mathématiques.
Le revenu des parents et leur niveau d'éducation jouent un rôle important dans
l'éducation de l' enfant. En effet, une famille plus riche, de manière générale, peut
. acheter plus de ressources utilisables pour l' éducation des enfants et elle peut aussi
leurs offrir plus facilement un parcours scolaire en milieu privé. Dans l' étude de
Finnie et Muller (Finnie, 2008), les auteurs ont trouvé comme résultats que pour les
hommes, un revenu parental de 100 000 $ et plus est associé à une augmentation de
19,1 points de pourcentage de la possibilité de poursuivre des études universitaires
par rapport au groupe de revenu de 50 000 $ à 75 000 $. Pour les femmes , cette
statistique grimpe à 19,8 points de pourcentage.
En ce qui à trait à l' effet du revenu famillial indexé de l'indice des pnx à la
consommation, il a été représenté par quatre variables dichotomiques représentant
différents paliers. La distribution des classes de revenu s' avère être plutôt
représentative d ' une distribution des paliers de revenu d ' une population-type.
Environ 9 % des répondants ont un revenu élevé, 25 %un revenu moyen-élevé, 47 %
un revenu moyen, laissant ainsi 19 % avec un bas revenu, soit sous 30 000 $.
Dans ce même article, les auteurs divulguent aussi que les garçons ayant des parents
avec un diplôme de premier cycle universitaire ont 31 ,2 points de pourcentage plus de
chance de s'inscrire à l'tmiversité que ceux ayant des parents qui n' ont pas complétés
d ' études post-secondaires. Dans ce mémoire, la mère peut avoir obtenu un diplôme
d ' études secondaires, post-secondaire, collégiales ou universitaires. Sinon, elle est
non-répondante. Ces pourcentages sont respectivement 20 %, 31 %, 22 % , 13 % et
14 %. Pour les hommes, seuls les niveaux d'études supérieures sont observés. Dans
16
cet échantillon, 22 % des enfants ont un père détenant un diplôme d'études

collégiales et 13% un diplôme d'études universitaires. Si ce parcours académique est
projeté sur l'étudiant, il est possible de générer plusieurs variables relatives à l'attente
des parents quant aux études que compléteront leur enfant. Elles ont été catégorisées
en trois variables dichotomiques. Un peu plus de 24 % des répondants estiment que
leur enfant complètera des études universitaires, 69 % espèrent des études collégiales
laissant ainsi 7 % pour des études secondaires.
De même, la structure familiale est un facteur important dans la réussite scolaire. Par
exemple, il sera difficile pour une famille monoparentale de trouver du temps qui
permet à l'enfant de participer à des activités sportives structurées. La variable
dichotomique monoparental prend la valeur de 1 pour un foyer où il n'y a qu'un seul
parent et 0 autrement. Un peu moins de 12 % des étudiants observés sont issus de
familles monoparentales. Qui plus est, dans l' étude de Deslandes et Cloutier
(Deslandes, 2005), les auteurs mentionnent que les enfants vivant dans une famille
non traditonnelle ont des résultats académiques plus faibles et présentent plus de
problèmes de comportement. La variable parentsbio saisi l'effet d'avoir deux parents
biologiques dans le foyer, ce qui est le cas pour plus de 82 % des jeunes. Si un des
deux n'est pas le parent biologique, cette variable dichotomique prend la valeur de O.
De plus, l' âge de la mère est aussi une caractéristique qui permet d'évaluer le foyer
de l'étudiant. Pour 50,07% des jeunes, la mêre est âgée de 25 ans ou moins alors que
45,15% des enfants ont une mère d'âge moyen, c'est-à-dire entre 26 et 44 ans. Seuls
4,78% des enfants de l'échantillon ont une mère de 45 ans et plus. Finalement, pour
permettre de bien capter l'effet de la structure familiale, trois variables binaires
contrôlent le nombre de frêres et ou sœurs dans le foyer du jeune étudié. Les enfants
ayant seulement un frère ou une soeur sont majoritaires à 51 % dans ce mémoire, à
peine 30% en ont deux alors que 7 %d'entre eux sont dans des familles avec quatre
enfants ou plus. Il s' en suit que 12% des étudiants sont enfants uniques.
17
Il sera aussi intéressant de retenir le type d ' établissement que les élèves fréquentent.
Selon le classement 2007-2008 des écoles secondaires au Québec de l' Institut Fraser
pour les résultats aux examens provinciaux en quatrième et cinquième secondaire, les
dix premières écoles sont des établissements privés. Ainsi, un étudiant qui fréquente
une école du secteur privé est susceptible d ' obtenir de meilleurs résultats qu 'un
étudiant du secteur public si ce classement représente bien le niveau académique des
étudiants de ces écoles secondaires. Bien que les jeunes observés sont au niveau
primaire, cette caractéristique sera tout de même retenue. Quatres variables
dichotomiques sont générées. Ainsi, 2,46 % des jeunes fréquentent un établissement
privé, 15,38 % une école catholique, 0,38 % tous autres types d 'école, laissant
81,78 % des répondants au public. Il sera interessant de comparer le lien entre les
différents types d'établissements scolaires par rapport à l'éducation publique sur les
résultats académiques.
Un autre élément qui peut influencer les résultats scolaires d ' un enfant est le pays de
naissance de ses parents. Cette caractéristique sera captée par la variable binaire,
immigrantfemme, qui saisi l'effet d ' une mère née au Canada ou non. Basé sur les
résultats du PISA 2009, l' article de l' OCDE sur l' intégration des immigrants (OCDE,
2013) note, en moyenne, 36 points de moins dans les résultats des tests de
compréhension de l'écrit chez les jeunes âgés de 15 ans qui sont nés dans le pays de
résidence de parents immigrants en comparaison avec les enfants dont au moins un
parent est né dans le pays de résidence. Cette différence s'amplifie au Canada, en
Australie, en Israël et aux États-Unis si on contrôle le statut socio-économique
familial. Dans cette épreuvre, il sera possible, grâce au grand répertoire de variables
dans I' ELNEJ, d'estimer l'effet de la province, mais aussi celle de la taille de la
région dans laquelle l' élève réside. Pour l'échantillon de la régression, 42 % des
étudiants habitent en Ontario, 22 % dans les Prairies, 10 % dans les provinces de
l'Atlantique, 13% pour la Colombie-Britannique et donc 11% au Québec . En ce qui
18
à trait aux regions, elles ont été catégorisées en rurale, petite, moyenne et grande, soit
toutes des variables dichotomiques . Étant donné la distribution décrite plus haut des
jeunes à travers les provinces canadiennes, il est sans surprise que 23 ,76 % d'entre
eux résident dans de petites régions, 11 ,23 % dans des régions moyennes, 38,92 %
dans de grandes régions et 26,09 % dans des régions rurales. Qui plus est, l'étude de
l'OCDE offre aussi t.m classement des résultats en mathématiques par province et
classe le Québec, l'Alberta, l'Ontario et la Colombie-Britannique parmi les quatre
premiers. Une autre raison pour laquelle la province de résidence constitue une
variable importante est relié à l'accès au sport et son financement. Les provinces qui
offrent plus de soutien fmancier, plus de ligues et d'équipes facilitent la pratique du
sport. Prenons par exemple le cas de l'athlétisme, en Colombie-Britannique, le
soutient financier se fait sous la base de remboursement de dépenses (BC Athletics,
2011). En Ontario (Athletics Ontario, 2013) et au Québec (MELS, 2011), le support
est offert sous forme de crédit d' impôt selon des critères de sélection qui sont basés
sur les performances de l'athlète.
Dans un même ordre d' idées, la langue aussi est une caractéristique importante
lorsqu'il est question de la performance académique d'un enfant. Les enfants se
retrouvant dans un milieu académique où l'environnement linguistique est différent
de celui à la maison peuvent être désavantagés. D'abord, par le fait qu 'avant même de
commencer à comprendre la matière enseignée, ils doivent comprendre le language
dans laquelle celle-ci est présentée et ensuite, car il est plus difficile pour des parents
qui ne parlent pas la langue d' enseignement d'aider leurs enfants à faire leurs devoirs.
Dans la publication de l'OCDE présentée plus haut, on compte en moyenne un écart
de 27 points dans les résultats des élèves nés dans le pays de résidence de parents
immigrants par rapport aux élèves autochtones lorsque la langue d' enseignement
n' est pas celle couramment utilisée à la maison. Pour 1' échantillon de la régression,
78,38 % des répondants sont anglophones, 1,8 % bilingue et 19,78 % sont
19
francophones ou allophones. Ces constats sont cohérents avec la distribution des

étudiants à travers les provinces canadiennes.
Certaines caractéristiques ne sont malheuresement pas incluses dans l' ELNEJ. Les
caractéristiques telles que la confiance en soi, la persévérence, la volonté et l' esprit de
compétition ne sont pas quantifiables bien que toutes ces singularités chez 1'enfant
ont des impacts importants autant sur la réussite scolaire que sportive. Le support
parental, le type et le nombre d 'amis ainsi que les habiletés naturelles sont aussi des
variables qui ne pourront être incluses dans la régression. La section suivante cherche
à qualifier la nature de ces particularités inobservables chez 1' enfant et de leurs
impacts sur la méthode d'analyse à employer.
Toutefois, l'ELNEJ met à la disposition des chercheurs plusieurs variables

particulièrement intéressantes permettant de conduire une recherche avec un grand
nombre d'observations. Le Tableau 1.5 présente la liste des variables qui seront
retenues pour les modèles évalués.
Tableau 1.5 Liste des variables
variab le s d ichoto miq ues

Descri ption Moy e nn es
0 1
Sta t u sportif de l'enfant non-sporti f sporti f 58,4%
statu actif de l'enfant non-actif actif 58,4%
sexe de l'e nfant garçon fille 5 1,5%
Revenu du ménage : Élevé bas revenu revnu élevé 9, 1%
Rev e nu du ménage : Moyen-élevé bas reve nu re ve nu moye n-é levé 25 ,1%
Revenu du ménage : Moyen -f aible bas re venu reve nu moye n- faible 47 ,6%
Espéra nce des paren ts: plus hau t ni veau d'ét ude com pl été par l'e nfant : Études col l égiales études secondaire s études collégia les 68,5%
Espérance de s parents : plus haut niveau d 'é tude complété par l'enfant : Études un ive rsitaire s é tud es secondaires études universitaires 24,3 %
Mère (ou la femme du foye r) née au Canada non-immigrante fe mme immig_rantc 7,4%
Âge de la m ère (ou la femme du foyer! à l a nai ss ance mère âgée jeune mère 50,1%
Âge de la mère (ou la femme du foyer) à l a naissance mère âgée mère d'âge moye n 45,2%
Langu e parlée à l a maison français ou autre anglais 78,4%
Lan gu e parl ée à l a mai son fran cais ou autre bilingue 1,8%
Taille de la région région ru ra le petite région 23,8%
Taille de la régi o n région rurale région moye nne 11,2%
Taille de la rég ion région rurale grande région 38 ,9%
Province de résidence Québec Ontario 42%
Province de résidence Québec Le s provinces de s Prairies 22%
Province de ré sidence Québec L es provinces de l'A tlantique 10%
Province de ré sidence Québec Co lombie-B ritann ique 13%
Plus haut niveau d'étude complété par le m è re (ou l a femme du foyer! : Dipl ô me Secondai re parent non répondant Diplôme Seconda ire 20,2%
Plu s haut ni veau d'étude complété par le mère (ou la fe m me d u fo ye r) : Ét ude s po st -secondaires parent non répondant Étud es post- secondaires 3 1,1%
Plu s haut niveau d'étude complété par le mère (ou la femme du foye r): Dipl ôme co llégial parent non répondant Diplôme collégia l 22,6%
Plu s haut niveau d 'étude complété par le mère (ou la femme du foyer) : Dipl ô me uni versita ire parent non réponda nt Diolôm c unive rsitaire 13,1%
Plus haut niveau d'étude complété par l e père (ou l'homme du foye ri: Dipl ôme co llég i al études seconda ires ou moins Diplôme collégia l 22,3%
Plus haut niveau d 'ét ude co mpl ét é par le père (ou l'homme du foyer) : Dip lô me universitaire étud es seconda ires ou moins 0 iplôm e unive rsitaire 13,5%
Nombre de frêres et sœurs pas de frêre ou sœ ur 1 frêre /sœ ur 51,0%
Nombre de frê res et sœurs oas de frê re ou sœ ur 2 frêres/sœ urs 30,1 %
Nombre de frêres et sœurs pas de frêre ou sœ ur 3 frêres/sœ urs 7,8%
Type d'école éco le publique éco le privée 24%
Typ e d 'école éco le publique école ca tholique 15,4%
Type d'éco le éco le publique autres types d' écoles 0,4%
Type des parents de l'enfan t 1 parent non bio logique 2 parents biologiques 82,9%
Nombre de parents 2 parents famille mono]Jarcnta le 11 ,9%
Résu l tat gradué au te st en mathémat ique s Score Math 363 .84
Âde de l'enfant Âge 8
N
0
Source : ELNEJ et calcu l s de l'a uteure
21
Finalement, le taux de réponse à l'ELNEJ est plus faible que celui qui était espéré.
Ces pourcentages sont présentés dans le Tableau 1.6 suivant Dans le guide qui
accompagne le questionnaire de l'ELNEJ, il est expliqué que le taux de réponse est
calculé est divisant le nombre d' examens complétés par le nombre d' enfants éligibles.
Un faible taux de réponse diminue l'information disponible pour les chercheurs.
Aussi, si les caractéristiques des enfants non-répondants ne sont pas captées dans la
régressions, elles pourraient influencer le terme d'erreur et causer un biais dans les
estimations.
22
Tableau 1.6 Taux de réponse au questionnaire de l'ELNEJ par province
~L Y RE P ~ E R .\T E BY PR \l~ E
PR \ '1. .-
15,579 13 439 86.3%
Source : Guide ELNEJ Cycle 1

- - - - - - - - - - --
MÉTHODOLOGIE
Quelques difficultés se posent pour 1'estimation d'un effet non-biaisé des activités
sportives sur les résultats en mathématiques. Un premier problème pourrait apparaître
dans un contexte de régression, lorsque la participation à de telles activités est
corrélée avec des facteurs inobservables qui influent simultanément sur les résultats et
l'activité physique. En second, le cas d'un biais endogénéité, soit un problème qui
survient lorsque le sens du lien de causalité qui tmit le sport et les résultats scolaires
est mal défini, provoque aussi des biais dans l'estimation des effets du sport. Il faut
donc minimiser l' impact de tels facteurs dans l' analyse de régression de panel.
C'est pour ces raisons que la technique longitudinale qui sera privilégiée pour
l'analyse économétrique sera celle qui permet l'inclusion d ' effets fixes individuels
dans la régression de l' impact des activités sportives sur les résultats en
mathématiques. Cette méthode permet d ' inclure une constante qui capte tous les
effets des autres variables explicatives qui ne varient pas dans le temps comme par
exemple, le lieu de naissance de la mère et le type de parent. L ' hypothèse de base de
cette technique d ' analyse est que les entités, dans notre cas, les enfants, sont tmiques.
Ainsi, on pose comme hypothèse l' exogénéité stricte des variables explicatives
conditionelle à cette constante pour toutes les périodes. Elle permet donc de prévenir
les biais duent à une corrélation entre la variable à expliquer et une des variables
explicatives inobservées, mais constante dans le temps de manière à interpréter l' effet
de l' activité sportive toutes choses étant égales par ailleurs. Un des bémols de cette
approche est qu ' elle est plus efficace pour calculer des variations intrinsèques que
pour calculer l'effet causal des variables explicatives sur la variable à expliquer. La
régression à effets fixes n'estimera que les effets pour les variables qui varient,
préférablement beaucoup dans le temps. C'est pour cela que la technique d ' analyse à
effets aléatoires sera aussi utilisée.
24
Il sera possible de procéder avec la méthode à effets aléatoires pour étudier l'impact
des activités sportives, car elle offre des estimateurs consistants et est donc plus
efficace que celle à effets fixes (Cameron, 2012). Cette approche permet aux effets
non-observés d'être distribués aléatoirement et de spécifier les autres variables qui
pourraient potentiellement influencer la variable dépendante. Ainsi, il sera possible de
contrôler par exemple le sexe, le revenu, la scolarisation des parents, la taille de la
région et la fratrie pour capter l'effet net du sport sur les résultats en mathématique.
Ceci donne donc un pouvoir explicatif aux variables, ce qui n'est pas tout à fait le cas
avec la méthode à effets fixes. Cette technique d'estimation est basée sur une
hypothèse supplémentaire qui nécéssite 1'absence de corrélation entre l' activité
sportive et les effets inobservés. Néanmoins, étant donné l'éventail de variables que
l'on retrouve dans l'ELNEJ, il est possible de contrôler assez de facteurs pour
probablement éliminer le problème de variables omises. D 'ailleurs, l'analyse à effets
aléatoires est plus efficace pour faire de l'inférence étant donné que la variance des
estimateurs générés est plus petite que celle obtenue pour les coefficients estimés par
la méthode à effets fixes (Merrigan, 2014).
En appliquant le test de Hausman, il sera possible de choisir quelle analyse, à effets

fixes ou celle à effets aléatoires, est la plus appropriée. Le test de Hausman peut être
mené par le logiciel Stata qui sera utilisé pour ce mémoire. Il repose sur le postulat de
base du modèle à effets aléatoires, c'est-à-dire que l'activité physique n'est pas
corrélée aux facteurs qui ne sont pas inclus dans la régression étant donné que ceux-ci
sont aléatoires. Ce test cherche donc à démontrer l'absence de corrélation entre le
terme d'erreur et les régresseurs. Ce mode de validation de la technique de régression
a pour hypothèse nulle que le modèle à favoriser est celui à effets aléatoires alors que
l'hypothèse alternative préconise celui à effets fixes (Torres-Reyna, 2007). Ceci est
dû au fait que l' hypothèse d'absence de corrélation entre les variables inobservées et
les variables explicatives est levée pour le modèle à effets fixes enlevant du même
coup les biais qui lui sont reliés.
25
Une dernière technique, celle de la méthode de régression linéaire, sera utilisée pour
des fms de comparaison avec les méthodes présentées plus haut. Il est possible de
prouver avec les variances estimées pour l'erreur et les effets non-observés que le
modèle de régression à effets fixes et celui par moindre carré ordinaire sont des cas
limites du modèle à effets aléatoires (Merrigan, 2014).
CHAPITRE II
MODÈLES
La modélisation de donnés de panel trouve ses ongmes dans le département

d'Économie de 1'Université Cambridge. Depuis, plusieurs techniques ont été
développées, mais deux seront retenues pour ce mémoire et comparées à un modèle
de régression linéaire simple. Pour toutes les régressions et les tests effectués dans les
sections suivantes, le niveau de significativé a été fixé à 5 %. Tous les modèles
présentés reposeront sur la régression linéaire de type :
Yit = ~0 + ~ 1 zlt + ~ 2 X2t + ... + ~Il Xnt + Cj + Ujt , (1)
où Yit est le score au test de mathématique, Z~t est la variable représentant 1'activité
physique, Xit sont les variables explicatives, Ci est une variable non-observée qui ne
varie pas dans le temps, soit l'effet fixe ou aléatoire, Uit est un terme d'erreur, i est
l'identifiant de l'étudiant et test 1'indice de temps.
Pour chaque méthode d'estimation choisie pour calculer d'impact du sport sur les
résultats académiques, une version de 1' équation (1) modifiée sera utilisée ainsi que
les raisons motivant 1'utilisation de la technique en question. La variable dépendante
est le score au test CAT/2 de mathématique, soit scoreMath. Deux variables
indépendantes vont être utilisées pour calculer l'impact de 1'activité physique sur les
résultats en mathématiques. La variable actif représente les étudiants qui pratiquent
27
une activité parascolaire quelconque, alors que la variable sportif représente les
étudiants qui pratiquent une activité sportive.
2.1 Modèles de base
2.1.1 Modèle d'estimation avec effets aléatoires
Le premier modèle est estimé à partir d' une régression avec estimateurs à effets
aléatoires .
Soit l'équation (lA):
Yit = P0 + P1 Z 1t + P2 X2t + ... + Pn Xnt + Cj + Uit , (lA)
où Yit est le score au test de mathématique, Zlt est la variable sportif, Xit sont les toutes
variables explicatives retenues jusqu'à présent, Ci est l'effet aléatoire, Uit est le terme
d' erreur, i est l'identifiant de l'étudiant et test l' indice de temps .
Deux hypothèses sont requises pour qu ' elle soit estimée par la méthode à effets
aléatoires. D'abord, on impose l'exogénéité stricte des variables explicatives
conditionelle à la présence de Ci , c'est-à-dire qu 'étant donné la présence de l'effet
aléatoire, il y a absence de corrélation entre le terme d'erreur et les variables
explicatives et ce, peu importe la période. Ensuite, on impose l'absence de corrélation
entre les effets aléatoires inobservés et les autres variables explicatives du modèle.
Ces deux hypothèses assurent la convergence des estimés. Il sera cependant plus juste
d' utiliser l 'option « cluster » sur les individus disponible sur Stata pour contrôler
l'hétéroscédasticité lors des régressions. Cette méthode d'estimation est appropriée
pour ce modèle, car étant donné que le panel est composé de plusieurs périodes et de
plusieurs individus, il est possible d' observer les jeunes deux fois et de contrôler
plusieurs variables explicatives. De plus, elle permet aux effets inobservés d'être
28
distribués aléatoirement. Dans le modèle estimé avec Stata, on impose une correction
pour l' hétéroscédasticité. L ' option« cluster » permet à la régression de panel d'être
«robuste» à l'hétéroscédasticité. Seule la puissance des tests sera affectée si ce
problème est en fait absent, mais ces mêmes tests restent valident (Merrigan, 2014).
Toujours avec ce même logiciel, il est possible de tester si la variance de l'effet
aléatoire est nulle grâce au test de Breush-Pagan de type multiplicateur de Lagrange.
2.1.2 Modèle d ' estimation à effets fixes
Le second modèle est estimé avec la méthode d'estimation avec estimateurs à effets
fixes.
Soit l'équation (lB) :
où Yit est le score au test de mathématique, Z, 1 est la variable sportif, Xit sont les
variables explicatives, Ci est une variable non-observée qui ne varie pas dans le temps,
soit l'effet fixe , Di est une des variables dichotomiques qui prend la valeure de 1 ou 0,
Uit est un terme d'erreur, i est l'identifiant de l'étudiant et finalement, test l' indice de
temps.
La présence du terme « Dncn » permet de différencier la constante pour chaque

individu tout en conservant la même pente. Étant donné que Cn est maintenant une
variable à estimer, il est possible de lever l' hypothèse d'absence de corrélation entre
1'effet fixe et les autres variables explicatives du modèle ainsi que tous les biais qui y
sont reliés. Cette simplification rend la méthode d' estimation à effets fixes plus
adéquate pour ce modèle, car malgré les nombreuses variables explicatives, certaines
variables, telles la motivation et la persévérence, ne font pas parties de l'étude.
Pourtant, ces dernières ont tout de même un impact sur le score en mathématique, sur
- - -- - - - - - - - - -- -- - - - - - -
29
la pratique de l'activité physique et bien d' autres variables. La seule hypothèse du

modèle est celle d'exogénéité stricte entre le terme d'erreur et les variables
explicatives, conditionellement à l'effet fixe et ce, pour toutes les périodes. Dans ce .
modèle, toutes les variables, sauf celles pour l'âge de l' enfant et le score au test de
math, sont des variables dichotomiques.
La statistique F calculée lors d'une régression à effet fixe vérifie que tous les effets
fixes, Ci , sont égaux à zéro. Il est à noter que le modèle à effets fixes ne peut
qu'estimer l'impact des variables qui varient beaucoup dans le temps. Cette faiblesse
est notable pour cette étude étant donné que plusieurs variables comme, la province,
le type d' école, la scolarité des parents ainsi que la classe de revenu ne varient pas
dans le temps, mais peuvent avoir un impact significatif sur les résultats académiques.
Finalement, le test de Hausman permet de comparer les équations (lA) et (lB). Ce

dernier sera effectué en dernier lieu pour évaluer les deux méthodes et pour
déterminer le modèle idéal dans ce contexte.
2.1.3 Modèle de régression linéaire par moindre carré ordinaire
Le troisième modèle est celui estimé par une régression linéaire par moindre carré
ordinaire (MCO).
Soit l'équation (lC):
Yi = ~ 0 + ~ 1Z 1 + ~ 2X2 + ... + ~ nXn + Uj , (lC)
qui consiste en l' équation (1), mais sans indice de temps. Cette régression est générée
pour des fms de comparaison avec les modèles présentés plus haut comme mentionné
auparavant. La nature du lien entre ces modèles réside dans la comparaison entre la
30
variance de l'effet inobservé et celle du terme d ' erreur. Cette comparaison est
représentée par l'équation (2) dans la section Discussion des résultats.
Il est possible d'effectuer un test d ' autocorrélation à l'aide du résidu généré par la
méthode de régression linéaire. Ainsi, une régression du terme d' erreur estimé sur ce
même terme d'erreur retardé d'une période permettrera de confirmer ou d ' infirmer la
présence d'autocorrélation dans le modèle.
2.2 Modèles modifiés
Les modèles modifiés sont les mêmes que ceux estimés dans la section 2.1 avec
comme seule différence majeure que la variable explicative, Zu, est représentée par la
variable actif. Les trois modèles, soient le modèle à effets aléatoires, le modèle à
effets fixes et le modèle de régression linéaire simple sont estimés et contraints aux
mêmes tests. Les équations (lA ' ), (1 B ') et ( 1C') représentent les modèles avec la
variable actif.
Le but de cette modification est de vérifier si c' est le sport qui influence les résultats
ou SI le fait de pratiquer une activité parascolaire, peu importe son genre, pourrait
aussi avoir un impact sur les tests de mathématique. Comme mentionné dans le
chapitre précédent, la corrélation entre ces deux variables est de 0, 1977.
CHAPITRE III
RÉSULTATS
1.1 Résultats modèles de base
1.1.1 Résultats : modèle à effets aléatoires
Les résultats de la régression de 1'équation (1 A) effectuée avec la commande « xtreg,

re » et avec 1'option « elus ter » pour corriger pour 1'hétéroscédasticité sont présentés
dans le Tableau 3.1 ci-dessous. Pour ce modèle, les coefficients significatifs des
variables explicatives sont l'âge de l'enfant, les parents qui espèrent voir leur enfant
compléter des études collégialles, le lieu de naissance de la mère, si l'étudiant est
bilingue, les grandes régions et toutes les provinces, l'éduaction de la mère, un
homme ayant complété des études collégiales, l'école privée et l'école catholique. Les
autres estimateurs de la régression, entre-autre celui de la variable sport~[, ne sont pas
significatifs. L'échantillon de la régressioin est composé de 1296 observations, soit
648 individus observés deux fois dans le temps, soit à 7 et à 9 ans. L'écart-type
estimée de l'effet aléatoire est de 26.50 et celui du terme d 'erreur est de 39,70. Ces
statistiques seront discutées plus en détail lors de la comparaison entre le modèle
estimé par MCO et celui à effets aléatoires. Le R-Carré pertinent pour les régressions
avec estimateurs à effets aléatoires est le R-Carré « total » (overhall) généré par Stata.
Pour cette régression, il est de 0,54 71.
32
Tableau 3.1 Estimateurs : Régression à effets aléatoires
XTREG, RE- Etudiants s portifs

Variables B estimé Err,robust P-value
sportif 0.91 3.0 0.77
âge 48.19 1.2 0.00
fille -0.94 3.1 0.76
revnu élevé 2.27 7.0 0.75
revenu moye n-élevé 2.78 5.0 0.58
revenu moyen- faible -3.84 4.2 0.37
études collégiales 12.51 5.6 0.03 N= 1296
études universitaires 7.25 6.2 0.24 Nombre de groupes = 2
femme immigrante 13.74 5.6 0.01 Observations oa r 11:rouoes = 2
2
jeune mère -4.16 8.5 0.63 R within = 0.7553
2
mère d'âge moyen -7.34 8.5 0.39 R between = 0.1672
2
anglais -4.77 5.4 0.38 R overa ll = 0.547 1
bilingue -18.51 9.1 0.04 a effi:t aléatoire = 26.5429
petite région 1.27 4.5 0.78 a lenne d'erreur = 39.78
région moyenne -6.63 5.3 0.21 Rho (fraction de la variance due à u 0 = 0.3080
grande ré gion -9.54 4.2 0.02
Ontario -24.35 6.7 0.00
Les provinces des Prairies -27.30 7.4 0.00
Les provinces de l'AtlantiQue -25.00 6.4 0.00
Colombie-BritanniQue -13.57 7.8 0.08
Diplôme Seconda ire 17.15 5.4 0.00
Études post-secondaires 24.36 5.1 0.00
Diplôme collégial 16.04 5.5 0.00
Diplôme universitaire 38.11 6.5 0.00
Homme{
Diplôme univers itaire 2.98 5.2 0.56
1 frêre/sœur 5.10 5.4 0.34
2 frê res/sœurs 8.20 5.6 0.14
3 frê res/sœurs 4.50 7.6 0.55
école privée 23.70 9.5 0.01
école ca tholique 7.27 4.1 0.08
autres types d'écoles 1.09 6.6 0.87
famille monoparentale -4.53 7.7 0.56
2 parents biologiques 2.05 6.9 0.77
constante estimée -26.96 17.2 0.12

, - - - - - - - - - - - - - - - -- - - - - - - - - - - - - - - - - - - - - - - -
33
Le coefficient de 1' impact du sport sur les résultats académiques, soit la

variable sportif, estime un impact positif de 0,9 1 point sur le score, mais il n'est pas
significatif. L'âge de l'enfant a un impact significatif de 48,19 points. Ceci est tout à
fait normal compte tenu du fait que les connaissances des enfants et le niveau de
difficulté des examens augmentent à chaque année et ce, malgré le fait que l'examen
auquel sont soumis les étudiants ait été amandé de façon à mieux représenter le
niveau scolaire de l'enfant. Pour la variable de sexe qui est égale à zéro pour les
garçons et un pour les filles , on note une diminution de 0,94 points sur la note lorsque
l'étudiant est une fille.
Dans le cas des variables de revenu, lorsqu'on considère le palier de revenu élevé,
l'effet sur la note de mathématique est de 2,27 points par rapport à un enfant vivant
dans un foyer à bas revenu. Un impact d'amplitude similaire est estimé pour le revenu
moyen-élevé, soit de 2,78 points. Par contre, pour un enfant dont le revenu de la
famille est considéré moyen-bas, on note une baisse du résultat au test de math par
rapport à un étudiant pour qui le revenu familial est bas. Ce point en particulier sera
exploré plus en détail dans les sections qui suivent. Le niveau d'études que les parents
espèrent voir leur enfant atteindre aussi influence positivement le résultat
académique. L'estimateur qui représente des études collégiales complétées est
significatif à 3 % et augmente la note de 12,51 points par rapport à un jeune dont les
parents croient qu'il completera des études primaires ou secondaires. Pour des études
universitares, le coefficient est moins important et n'est pas significatif, soit avec un
effet positif de 7,2 5 points sur le score.
Une autre variable qui permet de décrire le foyer de l'enfant est la variable
dichotomique qui représente le statut d'immigrant de la mère, c'est-à-dire, si elle est
née au Canada ou non. Cet estimateur est significatif à 1 % et propose une
augmentation de 13,74 points de la note au test de mathématique lorsque la mère de
34
l'enfant n ' est pas née au Canada. Ce constat est contraire à ceux présentés dans la
revue de la littérature, mais il peut être le résultat d'une meilleure adaptation des
enfants des femmes immigrantes au Canada. Toujours au sujet de cette dernière, la
variable dichotomique jeuneMere correspond aux mères âgées de moins de 25 ans, la
variable avgMere représente celles entre 25 et 34 ans. Ces deux variables ne sont pas
significatives, mais tout de même, pour l' échantillon de la régression, le score
diminue de 4 , 16 points pour un enfant ayant une jeune mère par rapport à la note d ' un
enfant ayant une mère âgée de 45 ans ou plus. Pour les mères d'âge moyen, la note
chute de 7,34 points par rapport à celle d'Lm étudiant dont la mère est considérée
âgée.
L' estimateur de la variable dichotomique représentant les étudiants anglophones n' est
pas significatif, néanmoins, il estime une baisse du score au test de mathématique de
4,77 points par rapport à celle d'un enfant francophone ou allophone. Dans le cas où
1'étudiant est bilingue, cette variation positive est estimée à 18,51 points. Cet
échantillon exprime bien la situation d'un pays comme le Canada où les langues
officielles sont le Français et l' Anglais. Il est donc attendu qu'un étudiant qui maitrise
les deux performe mieux.
Parmi les coefficients des variables dichotomiques qui captent la taille de la région
dans laquelle l'enfant réside, seul celui pour les grandes régions est significattif.
Aussi, seul le coefficient pour les petites régions est positif. De plus, la note
augmente de 1,27 points pour un étudiant localisé dans une région de moins de 30
000 habitants par rapport à une région rurale. Le score diminue de 6,63 points pour
ceux vivant dans des régions de taille moyenne et de 9,54 points pour ceux habitant
une région de 100 000 habitants ou plus. Dans un même ordre d'idée, les estimateurs
des variables dichotomiques représentant la province où réside l'enfant sont tous
négatifs et significatifs. Par rapport au résultat d' un étudiant qui habite au Québec, on
note une diminution de 13,57 points pour les étudiants de la Colombie-Britannique,
35
24,35 points pour ceux de l'Ontario, 25 points pour ceux des provmces de
1'Atlantique et 27,30 points pour les jeunes des provinces des Prairies. Déjà, il est
possible de conclure que, dans l' échantillon de cette régression, les étudiants
québécois ont de meilleurs résultats au test de mathématique. Cette conclusion
s'enligne avec celle tirée au sujet de la langue que parle l'enfant étant donné que le
Québec est la province où les deux langues sont le plus courrament utilisées.
En ce qui à trait à l'éducation de la mère, tous les coefficients sont positifs et

significatifs. Le score de l'enfant augmente de 17,15 points pour ceux dont la mère a
obtenu un diplôme d'études secondaires en comparaison avec ceux dont la femme est
non-répondante. La note de l'enfant grimpe de 24,36 points si la mère a complété des
études post-secondaires, légèrement au dessus de 16 points pour un diplôme collégial
et 38,11 points pour un diplôme universitaire. Le niveau de significativité et
l'ampleur des effets ne sont pas aussi importants pour l'éducation du père. Le score
augmente de 8,50 points pour un étudiant dont le père a un diplôme collégial par
rapport à un étudiant dont le père est non-répondant. Pourtant, lorsque le père possède
un diplôme universitaire, la note n'augmente que de 2,98 points. Le coefficient pour
cette dernière variable n'est pas significatif.
Dans un autre ordre d'idées, la variable privé qui décrit le type d'établissement que
l'enfant fréquente estime une augmentation de la note de 23 ,70 points par rapport à
celle d'un étudiant du secteur public. Cette variation positive est de 7,27 points pour
ceux qui fréquentent une école catholique et de 1,09 points pour les autres types
d' établisssements scolaires.
Finalement, pour ce qui est question de la composition du foyer, les estimateurs des
variables dichotomiques générées pour capter l'effet de la taille de la fratrie ne sont
pas significatifs. Néanmoins, le score augmente de 5,10 points si l'enfant à un frère
ou une sœur versus un enfant unique. Cette variation est de 8,20 points s'il y a 3
- - -- - -- - - - - ----
36
enfants au total dans la famille et 4,50 points s'ils sont 4 enfants ou plus. Pour un
enfant dans un foyer avec un seul parent, le coefficient de cette variable dichotomique
estime une baisse de la note de 4,53 points par rapport à un enfant dans un foyer avec
deux parents. Même si ce coefficient n'est pas significatif, le signe de la variation est
cohérent. Finalement, le score augmente de 2,05 points pour un enfant dont les deux
parents sont ses parents biologiques à comparer un étudiant dont un des deux parents
n'est pas son parent biologique.
Le premier test pour le modèle ci-haut est celui de Breush-Pagan, de type

multiplicateur de Lagrange, pour tester 1'effet aléatoire. L ' hypothèse nulle du test est
que la variance de l'effet aléatoire est nulle. Le résultat du test, présenté dans le
Tableau A.l de l'appendice, permet de rejetter 1' hypothese nulle. Le test de Breush-
Pagan requiert la normalité pour le terme d'erreur, mais comme mentionné dans la
section Méthodologie, étant donné qu'un grand nombre d'observations sont retenues
au total pour la régression, environ 1300 jeunes, ce test reste valide.
3.1.2 Résultats : Modèle effets fixes
Les résultats de la régression de 1'équation (lB) estimée par Stata sont présentés dans
le Tableau 3.2 ci-après. Pour ce modèle, les coefficients des variables explicatives qui
sont significatifs sont l'âge de l'enfant, un ménage au revenu élevé, l'âge de la mêre et
les femmes ayant un diplôme universitaire. Les autres variables de la régression,
entre-autre la variable de sport, ne sont pas significatives. Pour la régression à effets
fixes, les estimateurs pour les variables relatives au sexe de l'enfant et si la mère est
née au Canada ou non sont omises pour des raisons de collinéarité. En effet, ces
variables ne changent pas dans le temps et la méthode avec estimateurs à effets fixes
n'est pas en mesure de générer leur coefficient. L'écart-type estimée de l' effet fixe est
de 39,78 et celui du terme d'erreur est de 44,80. Ces statistiques seront abordées plus
en détail lors de la comparaison entre le modèle de régression linéaire et celui à effets
37
fixes . Le R-Carré pertinent pour cette régression est le R-Carré « intrinsèque»

(within) et il est de 0,4577 . De plus, la statistique F générée par Stata immédiatement
après la régression teste l'hypothèse nulle que l'effef fixe est égal à zéro. On rejette
l'hypothèse nulle. Lorsqu'on teste comme hypothèse nulle si le coefficient la variable
explicative principale est nul, soit sportif, les résultats du test, présentés dans le
Tableau A.3a de l'appendice, démontrent qu'on ne rejette pas l'hypothèse nulle. Déjà,
le modèle à effets fixes semble produire des résultats qui se contredisent.
- -- - - - - - --- ------ ~
38
Tableau 3.2 Estimateurs : Régression à effet fi xes
XTREG, FE- Etudiants sportifs

Variables B estimé Err, robust P-value
sp ortif -0.87 4.4 0.84
âge 46.09 1.5 0.00
fille 0.00 (omitted)
revnu élevé -24.26 11.1 0.03
revenu moye n-élevé -10.72 8.4 0.20
revenu moyen-faible -10.17 6 .5 0.12
études unive rsitaires -5.22 8.0 0.52 Nombre de groupes = 2
femme immigrante 0.00 (omitted) Observa tions par groupes = 2
2
jeune mère -29.25 13.1 0.03 R within = 0. 7637
2
mè re d'âge moyen -27.18 11 .2 0.02 R between = 0.0492
2
anglais -6.74 16.3 0.68 R overa D= 0 .4577
bilingue 3.55 12.6 0.78 a effèt aléatoire = 44.80
pe tite région -0.06 10.8 1.00 a terme d'e rreur = 39.78
région moye nne -11 .07 14.2 0.44 Rho (frac tion de la variance due à u i) = 0.559 1
gra nde ré gion -7.32 12.4 0.55
Ontario -6.82 39.6 0.86
Les provinces des Prairies 2.63 40.1 0.95
Les provinces de l'Atlantique -6.82 37.5 0.86
Colombie-Britannique 13.24 55.3 0.81
Diplôme Secondaire 23.76 15.0 0.11
Études post-seconda ires 18.71 15.5 0.23
Diplôme unive rsitaire 69.04 21 .7 0.00
Homme{
Diplôme unive rsitaire 28.44 21 .8 0.19
l frê re/sœur 12.18 9.5 0.20
2 frê res/sœurs 16.02 13.6 0.24
3 frê res/sœurs 34.12 23.6 0.15
école privée 27.13 19.2 0.16
école catholique -1 .79 8 .7 0.84
autres types d'écoles -13.47 14.2 0.34
fam ille monopa renta le -12.22 12.6 0.33
2 pa rents biologiques 1.60 14.9 0.92
constante estimée -2.21 50.0 0.97

39
L' estimateur de l' impact du sport sur les résultats en math, soit la variable sportif, a
un impact négatif de 0,87 point sur le score et n'est pas significatif. L' âge de l'enfant
a un impact significatif positif de 46,09 points. Ce résultat est cohérent avec celui
généré par le modèle à effets aléatoires. Pour les variables de revenu, les résultats
sont incohérents avec la littérature. Pour toutes les variables dichotomiques du revenu
familial, 1' impact sur le score est négatif par rapport à un étudiant dans un foyer à bas
revenu. Le niveau d'étude que les parents espèrent voir leur enfant atteindre n'est pas
significatif pour toutes les variables dichotomiques de ce modèle. Tout de même,
l'estimateur qui représente des études collégiales complétées augmente la note de 7,38
points par rapport à un qui complèterait des études primaires ou secondaires. Pour des
études universitares, le coefficient est négatif et diminue la note de 5,22 points. Les
coefficients des variables dichotomiques relatives à l'âge de la mère de l'étudiant
telles que j euneMere et avgMere sont négatifs aussi. Pour l' échantillon de la
régression, le score diminue de 29,25 points et 27,18 points respectivement par
rapport à un élève dont la mère est âgée de 45 ans ou plus. Ces estimateurs sont
significatifs à 2 % respectivement. L'estimateur de la variable dichotomique
représentant les étudiants anglophones n' est pas significatif et ce constat tient pour
celui de la variable représentant les enfants bilingues. Sommes toutes, la note d'un
étudiant anglophone accuse 6,74 points de retard sur celle d'un étudiant francophone
ou allophone, alors que le coefficent de la variable biling estime une augmentation de
la note de 3,55 points. Ces résultats sont semblables à ceux obtenus avec le modèle
précédent.
En ce qui à trait aux estimateurs des variables dichotomiques qui captent la taille de la
région dans laquelle l'enfant réside, ceux qui habitent une zone rurale ont de
meilleures notes au test de mathématique que les autres jeunes et ce, que ces dernjers
habitent une petite région, une moyenne ou une grande. En effet, la note diminue de
0,06 points pour les en fans en petite région et de 11,07 et 7,32 points respectivement
40
pour ceux qui vivent dans des régions moyennes et grandes. Dans cette régression à
effets fixes, l'impact d'habiter dans une province autre que le Québec n'est pas aussi
important que dans le modèle à effets aléatoires. Par rapport au score des étudiants
québécois, ce dernier diminue de 6,82 points pour les étudiants ontariens et des
provinces de l'Atlantique, mais il augmente de 2,63 points pour ceux des Prairies et
13,24 points pour les étudiants qui résident dans la province la plus à l' ouest. Tous
ces derniers coefficients ne sont pas significatifs.
En ce qui à trait à l'éducation des parents, contrairement au modèle de l'équation

(lA), les coefficients ne sont pas significatifs, sauf dans le cas d'une femme avec un
diplôme universitaire. Il s'agit d'ailleurs de la variable de cette catégorie qui améliore
le plus la note de l'enfant, soit de 69,04 points versus la note d' un enfant dont la mère
n'a pas répondu à la question, c'est-à-dire, lorsque cette dernière variable est égale à
zéro. Le résultat augmente de 23 ,75 points pour les enfants dont la mère possède un
diplôme d'études secondaires par rapport à ceux dont la femme est non-répondante.
Une variation positive est aussi notée lorsque la mère a complété des études post-
secondaires, soit 18,7 1 points et 12,95 pour celles ayant un diplôme d'études
collégiales. Pour l'homme dans le foyer, le résultat augmente de 6,99 points pour un
étudiant dont le père a un diplôme collégial par rapport à un enfant dont l'homme a
tm diplôme secondaire ou moins. Lorsque le père possède un diplôme universitaire,
cette augmentation saute à 28,44 points. En ce qui à trait au type d'établissement
scolaire, l' effet de suivre un parcours privé versus un public augmente la note de
27,13 points. Cependant, les étudiants des établissement catholiques et autres ont des
résultats inférieurs à ceux qui fréquentent l'école publique, soit 1,79 points et 13,47
points respectivement.
Finalement, pour la composition du ménage de l'enfant, les estimateurs des variables

dichotomiques générées pour capter l'effet de la taille de la fratrie ne sont pas
significatifs. L'ampleur de l'impact de ces variables est plus important dans ce
4l
modèle que dans celui de la section précédente. La note augmente de 12,18 points si
l' enfant à un frère ou une sœur à comparer l'enfant unique, 16,02 points s' il y a 3
enfants au total dans le foyer et 34,12 points s ' il y a 4 enfants ou plus dans le ménage.
Pour un enfant avec un seul parent, le coefficient de cette variable dichotomique
propose une baisse de 12,22 points par rapport à un enfant qui a deux parents. Dans
cette régression, ce coefficient n' est pas significatif, mais le sens de la variation reste
cohérent. Pour terminer, le résultat au test de math augmente de 1,60 points pour un
enfant vivant avec ses parents biologiques versus un jeune dont un des deux parents
dans son foyer ne l' est pas.
3.1.3 Résultats : Test Hausman
L'hypothèse nulle du test de Hausman préconise le modèle à effets aléatoires, tandis

que l' hypothèse alternative favorise le modèle à effets fixes. Ce test se base sur
1' hypothèse que 1' effet inobservé, Ci , ne peut être corrélé avec le terme d'erreur. Cette
hypothèse n'est requise que pour le modèle à effet aléatoire. Ainsi, si cette condition
est respectée, les estimateurs des deux modèles seront sans biais, mais le modèle à
effet aléatoire sera retenu car il génère une variance plus faible pour les estimateurs.
Dans le cas contraire, la régression à effet fixe est le meilleur modèle. Les résultats du
test de Hausman sont présentés dans le Tableau A . 4 en appendice. Les régressions
sont effectuées sans correction pour 1'hétéroscédasticité pour les fins du test. Les
coefficients des estimateurs pour le modèle à effets aléatoires pour le test sont donc
légèrement différents que ceux générés avec la correction. L'hypothèse nulle est
l' absence de corrélation entre l'effet aléatoire et les variables explicatives pour tous
les individus à toutes les périodes. Pour cette régression, l' hypothèse nulle n ' est pas
rejetée. Ceci insinue que les modèles sont potentiellement sans biais, mais étant
42
donné que la méthode à effets aléatoires estime une variance plus faible pour les
estimateurs, cette dernière est donc favorisée pour ce mémoire.
Un autre test, supérieur au test de Hausman, qui aurait pu servir à la validation des
modèles est le test de Wald conjoint proposé par Wooldridge à l'aide des moyennes
temporelles des variables explicatives (Wooldridge, 2002). Cependant, ce test n'a pas
été retenu en raison des limites de temps.
3.1.4 Résultats : Modèle de régression linéaire
Les résultats du modèle de régression sont comparables à ceux obtenus pour le

modèle de régression à effets aléatoires pour la majorité des coefficients. Le R-Carré
pour chacun des modèles aussi est analogue. Quant à l'estimateur de la variable de
sport, tel que discuté plus tôt, l'impact estimé de la pratique d'activité physique sur le
score à l'examen de mathématique est de 0,91 point pour le modèle de l'équation
(lA). Losqu ' estimé avec le modèle de régression linéaire simple, cet estimé augmente
à 1,25 points, ce qui n'est pas une différence notable. Les résultats de cette régression
sont présentés dans le Tableau 3.3 ci-dessous. Le test d'autocorrélation à l'aide du
résidu généré par la méthode de régression linéaire permet de régresser le terme
d'erreur estimé sur ce même terme d'erreur retardé d'une période afin d'infirmer ou
de confirmer la présence d'autocorrélation dans le modèle. Le coefficient de l' erreur
retardée estimée est de 0,3094 et ceci soutient du même coup la présence
d'autocorrélation dans le terme d'erreur.
43
Tableau 3.3 Estimateurs : Régression linéaire
Régress ion linéa ire -Etudiants s portifs

Va riable s B es timé Err, robust P-value
sportif 1.2 5 2.95 0.7
âge 48.91 1.48 0
fille -0.95 2 .75 0.7
revnu élevé 7.2 1 6.44 0.3
reve nu moyen-élevé 5.67 4 .91 0.2
revenu moye n- fa ible -2. 14 4 .13 0.6
études collégia les 13 .44 5.43 0 N= 1296
2
études tmivers itaires 11.77 5.99 0 R = 0.5480
2
fe mme immigrante 14.06 5.3 0 R ajusté= 0.53 58
jeune mère -0.58 6.85 0.9
mère d'âge moyen -4 .39 6.74 0.5
anglais -4.75 4 .53 0 .3
bilingue -23 .66 10.58 0
petite ré gion 0.95 3.89 0 .8
région moyenne -6.58 4.97 0.2
gra nde région - 10 .17 3.75 0
Ontario -24 .52 6.36 0
Les provinces des Pra iries -27.42 6.5 0
Les provinces de l' Atlantique -24 .7 6. 12 0
Colombie-Britannique -13 .77 7.52 0 .1
Diplôme Seconda ire 15 .83 4 .96 0
Éntdes post-secondaires 23 .77 4 .63 0
Diplôme collé gia l 15. 1 4 .99 0
Diplôme un iversitaire 36.24 6.02 0
Diplôme collégia l 8.24 3.5 0
Homm e {
Diplôme tmiversitaire 2.47 4.67 0 .6
1 frê re/sceur 4.45 4 .72 0.3
2 frê res/sceurs 7.83 5.01 0.1
3 frê res/sceurs 3.53 6.57 0.6
école privée 24.89 8.99 0
école catholique 7.98 3.9 0
autres types d'écoles 5.46 2 1.74 0 .8
fa mille monoparentale -3.34 7 .39 0.7
2 parents biologiques 1. 66 6.29 0 .8
constante estimée - 37 .8 1 17.36 0

- - - - - - - - - - - - - -- - - - - - - - - - - -- - - - ---
44
3.2 Résultats : Modèles modifiés
3.2.1 Résultats : Modèles à effets aléatoires
Lorsque 1'équation ( 1A) est régressée, mais en imposant actif comme variable
explicative principale, on obtient l'équation (lA').
Soit l'équation (lA') :
(lA')
où Yit est le score au test de mathématique, Z 11 est la variable actif, Xi 1 sont les toutes
variables explicatives retenues jusqu'à présent, Ci est l'effet aléatoire, Uit est le terme
d 'erreur, i est l'identifiant de l'enfant et test l' indice de temps.
Les coefficients des variables de contrôle estimés par ces régressions sont très
semblables, c'est-à-dire que l'ampleur et le sens des variations sont pratiquement les
mêmes. Dans les cas les plus extrêmes, les coefficients des deux modèles diffèrent au
maximum par 0,2 points. Par contre, la constante et l'estimateur de la variable actif
propose un impact plus important, soit de 3,15 points pour la variable explicative
principale. Pourtant, la corrélation entre la variable scoreMath et sportif et plus
grande que celle entre scoreMath et actif. Il est à noter que les estimateurs qui
n'étaient pas significatifs dans le modèle pour les étudiants sportifs ne le sont pas
dans ce modèle-ci aussi. Le R-Carré et les écart-type estimés sont aussi semblables,
d'où des résultats similaires lorsque le test de Breush-Pagan est conduit sur les deux
modèles. Le résultat du test, présenté dans le Tableau A.2 en appendice, permet de
rejetter l' hypothese nulle. Les résultats de la régression de l'équation (lA') eux sont
présentés dans le Tableau 3.4 ci-dessous.
45
Tableau 3.4 Estimateurs : Régression à effets aléatoires - actifs
XTREG, R E- Etudia nts actifs

Va riable s B estimé Err, robus t P-value
sportif 3.15 3.2 0.87
âge 4 8. 19 1.2 0
fille - 1.06 3. 1 0.73
revnu é levé 2.42 7 0.73
revenu moye n-élevé 2.96 4.9 0.55
revenu moye n-faible -3.75 4.2 0.38
études universita ires 7.23 6.2 0.25 Nombre de groupes = 2
femme immigrante 13.73 5.6 0.01 Observa tions par groupes= 2
2
jeune mè re -4.13 8.5 0.63 R within = 0.7552
2
mère d'âge moyen -7.28 8.5 0.39 R between = 0. 1674
2
anglais -4.82 5.4 0.37 R overa U= 0.547 1
bilingue - 18.59 9.2 0.04 o efièt aléatoire = 26. 50
petite région 1.32 4.5 0.77 o terrre d'erreur= 39.70
ré gion moye one -6.65 5.3 0.2 1 Rho (fraction de la variance due à u 0 = 0.3082
grande région -9.53 4.2 0.02
Ontario -24.26 6.7 0
Les provinces des Prairies -27. 16 7.4 0
Les provinces de l'Atlantique -25 6.4 0
Colombie-Britannique - 13.47 7.9 0.09
Diplôme Secondaire 17.22 5.4 0
Études post-seconda ires 24.46 5 0
Diplôme collégia l 16.15 5.4 0
Diplôme universitaire 38.26 6.5 0
Homme {
Diplôme collégia 1 8.59 3.6 0.02
1 frê re/sœ ur 5. 16 5.4 0.34
2 frêres/sœurs 8.24 5 .6 0.14
3 frêre s/sœurs 4 .54 7 .6 0.55
école privée 23.64 9 .5 0.01
éco le ca tholique 7.27 4.1 0.08
autres types d'écoles 1.03 6.6 0.88
fa011lle monoparentale -4.32 7.8 0.58
constante estimée -27.27 17.3 0. 12

46
3.2.2 Résultats : Modèle à effets fixes
Si l'équation (lB) est régressée avec actif comme variable explicative principale, elle
devient l' équation (lB').
Soit l'équation (lB ' ):
Yit = ~0 + ~1 zlt + ~ 2 Xzt + ... + ~n Xnt + DtCt + D zCz+ ... + DnCn + Uit , (lB ')
où Yit est le score au test de mathématique, Ztt est la variable actif, Xit sont les
variables explicatives, c; est une variable non-observée qui ne varie pas dans le temps,
soit 1'effet fixe , D; est une des variables dichotomiques qui prend la val eure de 1 ou 0,
u; 1 est un terme d'erreur, i est l'identifiant de l'enfant et test l' indice de temps.
Les coefficients des variables de contrôle estimés par cette régression modifiée, mise
à part celui de la constante et celui de la variable actif, sont d'ampleur similaire à
ceux de l'équation (lB) et le sens des variations sont les mêmes pour la majorité des
variables explicatives pour le deux modèles. Ces résultats sont présentés dans le
Tableau 3.5 ci-dessous. Parmi les valeurs qui sont différentes dans ce modèle, l'effet
du fait d' habiter une petite région au lieu d'une région rurale est postif alors qu'il était
négatif pour le modèle de régression estimé à l'aide de l'équation (lB). Un constat
similaire s'applique à la constante qui passse de -2,21 points dans le modèle de base à
7,66 points pour 1'équation modifiée. Aussi, le coeficient de la variable explicative
pricipale passe de -0,87 point avec sportif à -6,65 points avec actif. Ici, 1'impact
d'être inscrit à une activité scolaire quelconque fait varier la note de façon négative
par rapport à ceux qui ne le sont pas, et cette variation est plus importante que dans le
modèle pour les sportifs. Finalement, le coefficient de la variable FemmeDiplSec, soit
une mère ayant obtenu un diplôme d'études secondaires, est significatifs à 9 % tandis
que ce pourcentage était de 11 % dans le modèle de base. Encore une fois , les
variables dichotomiques ageEnfant et immigrantFemme ont été omises pour éviter le
problème de collinéarité. La statistique F générée après la régression pour tester
47
l'hypothèse nulle que tous les effets fixes sont égaux à zéro nous permet de rejeter
cette dernière hypothèse nulle. Lorsqu'on teste comme hypothèse nulle si le
coefficient de la variable explicative principale est nul, soit actif les résultats du test,
présentés dans le Tableau A.3b de l'appendice, démontrent qu'on ne rejette pas
l'hypothèse nulle à un niveau de significativité de 5 %, mais il faut noter qu'à 11 %,
on la rejette.
48
Tableau 3.5 Estimateurs : Régression à effets fixes- actifs
XTREG, FE- Etudia nts actifs

Variables B estimé Err,robus t P-value
sportif -6.65 4 .1 0.1
âge 46.04 1.4 0
fille 0 (ornitted)
revnu élevé -25.09 Il 0.02
revenu moye n-élevé -10.93 8.3 0.19
revenu moyen-faible - 10.27 6.4 0.11
études coilégiales 7.92 7.3 0.28 N= 1296
études universitaires -4.51 8 0.57 Nombre de groupes = 2
femme immigrante 0 (ornitted) Observations par groupes = 2
2
jeune mère -30.54 13 0.02 R within = 0.7647
2
mère d'âge moyen -2 8.2 1 11.2 0 .01 R between = 0.0470
2
anglais -7.87 16.5 0.63 R overa ll = 0.4596
bilingue 2.46 12 .9 0.85 o eflèt aléatoire= 44.65
petite région 0. 17 10.8 0.99 o tenne d'erreur = 39.70
région moyenne -9.88 14.4 0.49 Rho (fraction de la variance due à u 0 = 0.55 84
grande région -6.61 12.5 0.6
Ontario -8.69 37.9 0.82
Les provinces des Prairies 1.93 38.2 0.96
Les provinces de f Atlantique -10.37 35.4 0.77
Colombie-Britannique 12.25 53.8 0.82
Diplôme Secondaire 25.41 14.8 0.09
Éll.tdes post-secondaires 17.75 15 0.24
Diplôme collégia l 11 .96 14.4 0.4 1
Diplôme universitaire 66.46 22. 1 0
Homme {
Diplôme coilégial 6.34 9 0.48
1 frêre/sceur 11.27 9.3 0.22
2 frêres/sceurs 14.92 13.4 0.27
3 frêres/sceurs 32.28 24.1 0.18
école privée 23.85 20.1 0.24
école catholique -l.93 8.8 0.83
autres types d'écoles -12.15 14.1 0.39
famille monoparentale -14.32 12.5 0.25
constante estimée 7.66 48.9 0.88

49
3.2.3 Résultats : Test Hausman
Comme pour les régressions avec Z;1 = sportif le même test de Hausman est utilisé
pour sélectionner le modèle le plus adéquat pour les données disponibles.
L'hypothèse nulle du test de Hausman préconise le modèle à effet aléatoire, tandis
que l'hypothèse alternative favorise le modèle à effet fixe. Les résultats du test de
Hausman sont présentés dans le Tableau A. 5 en appendice. Les régressions sont
effectuées sans correction pour l ' hétéroscédasticité pour les fins du test. Les
coefficients des estimateurs pour le modèle à effet aléatoire sont donc légèrement
différents que ceux générés avec la correction. Pour cette régression et pour un niveau
de significativité de 5 %, l' hypothèse nulle n 'est pas rejettée. Ceci implique que les
modèles sont potentiellement sans biais, mais pour ce mémoire, le modèle à effets
aléatoires est préféré pour la variance estimée de ses estimateurs plus faible.
3.2.4 Résultats : Modèle de régression linéaire
Quand l'équation (lC) est régressée avec actif comme variable explicative principale,
elle devient l'équation (lC').
Soit 1'équation (1 C) :
Yi=~ o + ~ tZt + ~ zXz + ... + ~ nXn + li; , (lC)
qui consiste en l'équation (1), mais sans l' indice de temps et où y;1 est le score au test
de mathématique, Z 11 est la variable actif, x; 1 sont les variables explicatives, et U it est
un terme d 'erreur.
Les résultats du modèle de l'équation (lC') sont comparables, pour la majorité des
coefficients, à ceux obtenus pour les modèles de régression des équations (lA), (lA')
50
et (lC). Le R-Carré aussi est équivalent pour ces modèles. La variation positive
estimée de la note, pour un jeune qui pratique une activité parascolaire quelconque,
est de 2,59 points par rapport à un étudiant inscrit à aucune activité. Les résultats de
cette régression sont présentés dans le Tableau 3.6 ci-après.
Le test d'autocorrélation du modèle linaire cherche à estimer un coefficient pour

l'erreur estimée par ce même modèle sur sa valeur à la période précédente. Un
estimateur non nul confirme la présence d ' autocorrélation dans le modèle, ce qui est
le cas pour le modèle généré avec l'équation (1 C ' ). Ce dernier est estimé à 0,3065 et
confirme que le terme d'erreur est corrélé avec sa valeur passée.
51
Ta blea u 3.6 Estimateurs : Régression linéaire -actifs
Régress ion linéaire- Etudiants actifs

Variables B estimé Err, robus t P-value
sportif 2.59 3 .12 0.4
âge 48 .91 1.48 0
fille -0.97 2.71 0.7
revnu é levé 7.4 6.4 0.2
revenu moyen-élevé 5.84 4 .86 0.2
revenu moyen- fa ible -2 . 11 4.1 0.6
études collégiales 13 .32 5.43 0 N= 1296
2
études universitaires 11.45 6 0. 1 R = 0.5482
2
femme immigrante 14.22 5.3 0 R ajusté= 0.5360
jeune mère -0.59 6.85 0.9
mère d'âge moyen -4.34 6.74 0.5
anglais -4.84 4 .52 0.3
bilingue -23.79 10.58 0
petite région 0.92 3.89 0.8
région moyenne -6.78 4.98 0.2
grande région -10 .25 3.75 0
Ontario -24.26 6.36 0
Les provinces des Prairies -27.2 6.48 0
Les provinces de l'Atlantique -24.73 6.12 0
Colombie-Britannique -13.69 7.51 0. 1
Diplôme Secondaire 15 .81 4 .95 0
Études post-secondaires 23 .8 4 .62 0
Diplôme collégial 15 .08 4 .97 0
Diplôme universitaire 36.24 6 0
Diplôme collégial 8.33 3.48 0
Homme {
Diplôme universitaire 2.35 4 .66 0.6
1 frêre/sœur 4.61 4 .72 0.3
2 frêres/sœurs 7.92 5 .01 0. 1
3 frêres/sœurs 3.61 6.57 0.6
école privée 25 . 16 8.99 0
école catholique 8. 02 3.9 0
autres types d'écoles 4 .95 21.75 0.8
famille monoparentale -3 .02 7.37 0.7
2 parents biologiques 1.81 6.28 0. 8
constante estimée -39.1 8 17.42 0
Source : ELNEJ et calculs de 1' auteure.

CHAPITRE IV
DISCUSSION DES RÉSULTATS
Dans cet essai qui tente d'estimer 1'impact du sport sur les résultats au test de
mathématique, « 1'étudiant-type » pour cet échantillon, c'est-à-dire lorsque toutes les
variables dichotomiques sont égales à zéro, est un garçon dans un ménage où le
revenu familial est bas, soit sous les 30 000 $, pour lequel les parents croient qu ' il
complètera ses études secondaires et qui a une mère âgée de 45 ans ou plus qui est
née au Canada. Le garçon est francophone ou allophone, mais pas anglophone ni
bilingue. Il habite dans une région rurale du Québec et est enfant unique. Le père a
complété des études secondaires ou moins alors que le niveau maximum d'études
atteint par la mère n'a pas été déclaré. D'ailleurs, il grandit dans un foyer avec deux
parents, mais seul un des deux est son parent biologique. Les tableaux B.l et B.2 de
l'appendice présentent les statistiques descriptives des variables utilisées dans les
régressions pour les étudiants sportifs et actifs respectivement.
Dans le modèle de régression avec estimateurs à effets aléatoires, parmi les variables
explicatives incluses dans l'équation (lA), celles qui influencent le plus le score,
toutes choses étant égales par ailleurs, sont si la mère est née au Canada ou non, le
niveau d'éducation de cette dernière et le type d 'établissement que fréquente l'enfant.
Pour cette méthode, le résultat moyen d'un étudiant qui va à l'école privé augmente
de 6,51 % à comparer un enfant qui fréquente une école publique. Ce constat est
cohérent avec la littérature. Pour ce qui à trait à la variable relative au statut
d'immigrant de la mère, le coefficient estime une augmentation de 3,77 % de la note
moyenne pour un étudiant dont la mère n 'est pas née au Canada par rapport à un
jeune pour qui la mère 1'est. Toujours au sujet de la mère, il a été estimé que celles
53
qui ont obtenu leur diplôme universitaire font augmenter la note de l'enfant de
10,47 % versus une mère non-répondante. Pour cet échantillon, les caractéristiques
relatives à la mère influencent beaucoup la note de l' enfant lorsque les effets
inobservés sont considérés aléatoires .
Dans ce même modèle de régression, toutes les variables représentant le revenu du

foyer ont une influence positive sur la note par rapport à un étudiant vivant dans un
ménage à bas revenu sauf dans le cas où le revenu est considéré « moyen-bas» . Une
hypothèse qui pourrait être soulevée pour expliquer l'estimateur négatif généré pour
cette variable est que le fait que les foyers dans cette catégorie ont un revenu trop
élevé pour bénéficier d'assistance financière pour, par exemple, les frais de scolarité,
le tutorat et les activités parascolaires, mais trop faible pour financer ces besoins eux-
même. Il s'ensuit que la note moyenne d'un jeune qui vit dans ce genre de ménage
diminue de 1,05 %par rapport à un étudiant dont le revenu familial est sous le seuil
des 30 000 $. Ce genre de dilemme se pose aussi dans le financement sportif. Que ce
soit pour une bourse Sport-Études ou une bourse pour les jeunes espoirs, le revenu
familial constitue un critère de sélection important pour octroyer ces sommes. Ceci
permet de favoriser les plus démunies certes, mais comme mentionné plus haut, les
familles qui sont dans l'impossibilité de faire l'investissement initial sans soutien
financier ne peuvent pas inscrire leur enfant dans des activités hors-école. Par
exemple, la fondation Bon Départ de Canadian Tire affirme sur son site web qu ' elle a
pour objectif fondamental de venir en aide aux enfants de familles financièrement
désavantagées afin qu ' ils puissent eux aussi prendre part à des sports ou des activités
récréatives. Si à la source les programmes sportifs coûtent moins chers, soit en
subventionant les écoles qui mettent en place des équipes sportives ou les
municipalités qui offrent des ligues, le sport devient plus accesible aux jeunes.
- - - - - - - - - - - - -- -- - - - - - - - - - -- - - - - - -
54
Dans ce mémoire, l'impact de la pratique d ' tme activité physique sur le résultat au
test de mathématique, par rapport à la note moyenne obtenue pour les étudiants de
l'échantillon est négligeable dans la régression à effets aléatoires, soit une
augmentation de 0,25 % du score. Le R-Carré « overall » qui est une mesure de la
capacité du modèle à expliquer les variations dans les notes au test est de 0,5471.
Ainsi, le modèle de l'équation (lA) permet d'expliquer partiellement la diversité des
résultats. Plusieurs explications sont possibles. D'abord, pour les enfants de moins de
10 ans, ce sont les parents qui répondent aux questions de l'ELNEJ pour eux. Ensuite,
les individus observés sont peut-être encore trop jeunes pour pratiquer un sport à un
niveau assez élevé qui leur permettrait de bénéficier de ces bienfaits possibles.
Finalement, dans l'étude de Trois-Rivière (Shepard, 1997), les auteurs mentionnent
qu'en première année, les jetmes dans le groupe avec le nombre minimum d'heures
d'éducation physique obtenaient de meilleurs résultats que ceux dans le groupe avec
une heure supplémentaire. Cependant, cette tendance était renversée en fin d'études
pnma1res.
Dans le modèle de régression avec estimateurs à effets fixes estimé avec l'équation
(1 B), plusieurs coefficients estiment des variations incohérentes avec la littérature.
D ' abord , tous les estimateurs des variables de revenu sont négatifs et celui pour la
variable sportif aussi. De plus, le coefficient de cette dernière variable estime une
diminution de la note de 0,239 %. Le R-Carré « within » pour cette régression est de
0,7637, ce qui à première vue porte à croire que cette modélisation permet de bien
expliquer les variation du score de l'étudiant. Néanmoins, le test de Hausman ne
permet pas de rejetter l' hypothèse nulle, mais il favorise tout de même le modèle à
effets aléatoires. Plusieurs raisons justifient cette conclusion, mais la plus importante
est que les variables incluses dans l'équation (lB) ne varient pas assez dans le temps
pour que leur impact sur la note soit bien capté par le modèle à effets fixes dans le
test de Hausman (Merrigan, 20 14). D 'ailleurs, les variables sexeEnfant et
immigrantFemme sont omises dans l'estimation de cette équation.
ss
Lorsque la variable explicative principale est remplacée par actif dans le modèle de
régression à effets aléatoires, on remarque que les estimateurs de plusieurs variables
de l' équation (lA') sont, au dixième près, identiques à ceux de l'équation (lA) sauf
pour le coefficient de la variable actif Ce dernier estime une variation positive de
0,86 % du score pour un étudiant actif par rapport à un qui ne l'est pas. Malgré Lme
corrélation faible entre les deux variables explicatives principales, leur impact
respectif sur la note est de moins de 1 % dans les deux cas. Quand même, la catégorie
pour les enfants actifs est beaucoup plus vaste que pour les sportifs, ce qui fait qu'une
variation un peu plus importante de la note est attendue et ce, même si la corrélation
entre le score et le sport est plus importante que celle entre la note et une activité
quelconque. Le R-Carré « overall » est le même dans l'équation (lA) et (lA'), mais
les écart-types pour le terme d'erreur et l'effet aléatoire sont plus petites dans le
modèle modifié. Quand même, le test de Breush-Pagan effectué sur le modèle de
l'équation (lA') génère les mêmes conclusions, c'est-à-dire qu'on rejette une variance
nulle pour l'effet aléatoire.
Les comparaisons sont similaires entre l'équation (1 B) et (1 B') qui sont estimées
avec une régression à effets fixes. Dans le modèle avec la variable actif, le coefficient
de cette dernière variable estime une variation négative de 1,82 % de la note pour un
enfant qui pratique une activité parascolaire quelconque par rapport à un pour qui ce
n'est pas le cas. Le R-Carré pour le modèle modifié est de 0,7647, ce qui est
semblable au modèle de base. Les écart-type estimés par l'équation (lB') sont plus
faibles que ceux générés par la méthode initiale. Ainsi, lorsque Stata teste l'hypothèse
nulle que tous les effets fixes sont égaux à zéro, la statistique F générée est
sensiblement différente, mais on rejette tout de même l'hypothèse nulle pour
l'équation (lB'). Le test sur le coefficient de la variable explicative principale
démontre qu'on ne rejette pas l'hypothèse nulle que cet estimateur est nul. Cependant,
dans le cas de la variable actif, à 11 %, on rejette l'hypothèse nulle.
56
D'ailleurs, parmi les modèles présentés précédemment, seuls ceux avec des
estimateurs à effets fixes calculent que 1' impact sur la note au test de mathématique
de pratiquer une activité, sportive ou non, hors de l'établisement scolaire est négatif.
Cette méthode calcule aussi, en terme absolu, des variations plus importantes du
score. Ces observations sont cohérentes avec la littérature, dont l'étude de Sallis et al.
(Sallis, 1997) présenté dans la section Introduction. Au cours d ' une journée, le temps
accordé à la pratique d 'activités parascolaires diminue celui destiné aux études et aux
devoirs, toutes choses étant égales par ailleurs. Ainsi, il est possible, surtout en bas
âge, qu 'une mauvaise gestion des heures attribuées à chaque tâche pénalise l'enfant
dans son apprentissage, d 'où une variation négative dans la note pour les étudiants
sportifs ou actifs.
À la lumière de ces résultats, le modèle de régression avec estimateurs à effets

aléatoires sera retenu pour ce mémoire. Plusieurs raisons, dont le test de Hausman qui
favorise le modèle à éffets aléatoires et les résultats négatifs proposés par le modèle à
effets fixes justifient ce choix.
Pour comparer les trois modèles présentés jusqu'ici dans cette recherche, il est
possible de calculer un ratio qui les unit dans les cas limites, comme mentionné dans
la présentation des modèles.
Soit l'équation (2) :
(2)
où 9 est la proportion de la variance totale qui provient de 1'effet inobservé, aussi

appelé teta dans le modèle de régression estimé avec Stata, a/ est la variance du
terme d 'erreur, Test l' indice de temps et a/ est la variance de l'effet inobservé. Ces
57
résultats pour le modèle de régression à effets aléatoires pour les sportifs sont
présentés dans le Tableau 4.1 suivant.
Tableau 4.1 Données équation (2)
RE, Sportif
Teta= 0,3080
sigma (c) = 26,54
sigma (u)= 39,78
Le cas limite du modèle de régression à effets aléatoires lorsque e est égal à zéro, est
le modèle de régression linéaire estimé par l'équation (lC). À l' opposé, sie est égal à
un, on obtient le modèle de régression à effets fixes (Merrigan, 2014). Pour le modèle
retenu, e= 0,2726 et teta = 0,3080. Le modèle de régression avec estimateurs à effets
aléatoires est donc adéquat. Ceci explique sans doute pourquoi les coefficients de
l'équation (IC) sont généralement plus élevés que ceux de l'équation (lA). En effet,
si la méthode par moindre carré ordinaire ne tient pas compte de la corrélation
intertemporelle entre les variab les explicatives et les effets inobservés, elle génére des
estimateurs biaisés.
CONCLUSION
Le but de cette recherche était de déterminer s'il y avait un lien de causalité entre
l'activité physique et les résultats académiques et si ce lien était significatif. Cet
objectif a été partiellement atteint. Avec un panel tiré de l'Enquête longitudinale
nationale sur les enfants et les jetmes qui couvre les années 1994-1995 à 2008-2009,
pour tous les étudiants canadiens, il a été possible d'extraire un échantillon de 1300
étudiants âgés de 7 et 9 ans pour les trois premiers cycles de cette enquête. Malgré les
problèmes d'hétéroscédasticité et d'autocorrélation qui sont faibles, mais qui
perdurent, une relation positive mais non significative a été estimée par le modèle de
régression à effets aléatoires.
La conclusion est que l'impact de l'activité physique sur les résultats scolaires, plus
précisément, sur la note de mathématiques moye1me, est de 0,25 %. Plusieurs raisons
expliquent cet impact faible, mais notable. D'abord, les hypothèses strictes du modèle
à effets aléatoires amènent avec elles leurs lots de complications comme
l'hétéroscédasticité ou l'autocorréraltion du terme d'erreur. Ainsi, la nature de l'effet
inobservé et sa modélisation, qui sont eux-mêmes des sujets de recherches
importants, influencent la qualité des résultats qui peuvent être tirés de ce genre de
régression. Ensuite, les variables relatives au temps dédié aux sports au lieu des
devoirs, les heures de sommeil et le passé sportif des parents sont des variables qui
sont absentes du modèle, car elles ne fesaient pas parties de l'enquête, mais qui
pourtant ont sans doutes un impact sur les performances autant sportives que
académiques. Puis, la littérature démontre que les jeunes sportifs qui perfonnent
mieux académiquement sont plus âgés que ceux retenus dans ce mémoire. De plus, le
fait que la même question ne soit pas répétée pour les adolescents limite la taille de
l'échantillon. Finalement, comme mentionné au Chapitre 1, le faible taux de réponse
59
à l'ELNEJ diminue l' information disponible pour les chercheurs par le fait que les
caractéristiques des enfants non-répondants ne sont pas captées dans la régressions et
cela pourrait causer un biais dans les estimations.
Par conséquent, la motivation la plus importante de ce travail, soit le financement du

développement humain par l'intermédiaire du sport est donc partiellement validée.
Non seulement le sport affecte positivement la note moyenne des étudiants dans cet
échantillom, mais l'éducation des parents ainsi que les choix que font ces derniers
quant aux études de leur enfant et à la stucture de leur foyer influence aussi à la
hausse les résultats académiques.
En 1980, le premier programme sport-études est implanté dans la ville de

Boucherville au Québec. Au départ, le but premier du programme sport-études n'était
pas de décourager le décrochage scolaire, pourtant ce résultat était sans équivoque le
plus flagrant. Plusieurs professeurs qui ont pris part au projet de départ affirme
maintenant que le succès dans le sport et dans les études vont de paires (ici.radio-
canada.ca, 2015).
60
APPENDICE A
TESTS DE VALIDATION DES MODÈLES DE RÉGRESSION
Tableau A.l Breush-Pagan : XTREG, RE- Sportifs
Breusch ~~d Pagan - agrangian multipl ier t e st for randcm effect s
scorelofath[id , t = Xh + u id] + e"id,t]
Estimated re su1ts ·
Var sd = sqrt {Var )
score:l>"ath 4932.755 70.23359

e 1SS2 .492 39.79055
u 704.527 26.54293
Tes t: Va r ( u ) = 0
54.29
Frob > chibar 2 0.0000

61
Tableau A.2 Breush-Pagan : XTREG, RE- Actifs
::coret1a'::h Cid, = :~ .. u .i.dl - e! id, tJ
~d = sqr t (Var !
sce<rel•ta ~ h 4932.755 70. 2335S

e ~576.15 2 :)9. . 70079
u 702.2741 26 . 50046
53.41
= 0 .00 00
Tableau A.3 Test variables explicatives principales
(a) Effets fixes - sportifs (b) Effets fixes- actifs
sportif = 0 actif = 0
F{ 1, 6 4 7) 0.04 F ( 1, 6 47 ) = 2.67
o. 9416 Prob > F = O.l027
Prob > F

62
Tableau A.4 Hausman - Sportifs
..
l' H tl'ü! r n.k o~ ~l:v.! ai~ .. ~~ru::;;d Vin ' .ull='!! l!Ut i x 3 rt d~1: net i!qc.\l th~ nl.!.::llèr ":J:f
oe .:::;c!~no;a l;;s..e:i na ~;~~tQ:;:;~d t3'2: ), b~ .c<u:~ ~- ·i = vb;n. >:0~ -e-~,ç., ~ ~'h~r~ y
t !i'l.~ i:J . 11a mpu ·li'Ii t:t" eg~:. . t,c:;:;n;i:;r ;r P'U pu t . ou·:; ~o · illLXon f oc-
.à:Ly!:h. ... n9 tJ.n~.xpoect:.o~eà o.ttd pO~ib ~ Y eo.r.::::~d~:r c.c~:ir.q _ycur ,...,.riab:l t: ~ at) !t' ...t.~ l!h::.
~Ef:!ci nt :: on a; ::~~nu..l.x.::
- - •c-t _ !.Ci~t.a --
rbl <• t l l>•ll ) • (th:!g~V_l:l·V~B ll
!1ff~r~nc...:: .. . ..: .
,:;p=-t.L ;; • • 11705~ ~ ~ ,!i~H : · l. 776JH l . 0120l5
SCot::~A.")'t.. 4.ti.OB~O -iii.• 1.90H • 2 . L00769 .H7BH
R~~n~osloe·t~ · 4·t.~~l 4 ~ . -.~u~ -2 ~. 52~17
'· iU)~
l:t~V ~!'l:..:.!.,iQ:"'..>•e:"l2 - 10.719>& l.77UOt · 13. &•!1657 L96'H9J
ae"-r~nv. y~. l -10 . 1!i~5fi -:l . 9HH - 9 .la7ilS 1 .i1i~1
;;: ;,oÇ. ÇQl l 7.JS!HH :..Z.SlC!6t · 5 .ll0215<1 ). 09J.SO'
ê: 'tt;.d!!!'L~ i · !i .22 1'7l11 :r.2S1 n:~ .12.nlu >. s.·s.nos
) t!!ut.eMê!"~ -H .:<S00-4, -4.1110074 -25.011997 ~ 1.. GSoa~
· F -!7 ll9~ ~ -i!~~9.ti • t , ll<~ n ~. ~14 ~11<~
.& . 740H4 -4 . ïHl1 -l.9Eî!>79l ~6 . !l<J,9l2
J , $'17~7 -ï,:i; . ~~~' 2?,Q?.;)H . J' ;}.:)7$';)
pe · ic • . 0561!1H:t l -:l~S~ ~ . ~ .JnJzs 9 - :tb'H'
- u.o?o ~ & _,' 6307!1: - 4 .0!hi7S : ::l. . :J;J70j
•7 .32l'5U ~ ,. Si U6$ 2.22Z71SS H.47 G5
. ;; • S22055 - H . 3S H5 1.7.53109 {9 .1:5!191
pr l.:t>l l.;;~ua -:l. .JOO·G• 2 .un+ '17.10~9;l
:;l ~<pe: .,,n:aa •!4. "5<4~ u.n:z6 ~o.unt
Cl!! 13.236Sl - 1J.Se50S .2&. 90l5B lo& . 2-f~':l!.
'l'<!. . o:pls~e l.l.?r.sa l'J. l.H·U 6 .?-0953·6 :..• . !>'5!>0~
Ç'e~:::'% - t,:;,~C' 19 . 70791 H .36-4.01. . o;; .0:56lii9 l3.65.U
F<c>~m!eO l plc . l ll. !N ,SS 1~.roa - 3.Ult3:2.3. ::. s . •~~~'
F~--Oipl .i U .0 3S Sa l t .l.OS·i'~ ;)0 . 92977 il.JUtt
H.cimme~nl.,e. l &.~S7~TZ ll . !i0:2: ~ · L>H~29 ~1.:!l:962 J
H ~ plU:. i. lli.U,l-4 :L~7SS' :::s. 4·611.5 J O. ·UH7
f:r ~1 12 .U2 25, ~- >OQ79i 7. \)7 )<152
1
:,'· -7<'~-t2'
t "'.rèl. 11> .o::n. >t> t . 1:9625, 7.1:Z!>40'i .:.6. '100~!
! r~rè "l H.ll9H ~ .4 :$'37>62 29.62405 ~~ .;oG~1
~i·, 27 . HJH ~) . 7020' J. 4.31511 'Z1.l.)$7•t
!1. hOli 'flè - 1. ]9Bll·~ i . :I:Ï04.Zi -9 . 059286 LB9'nltt
.l -rtii oJ. · l l ..·\'712 '-.. 09ol'l:U - :14. Sli555 :$- '10903
= ~~ l ~;;.. 1. ·U- 2165~ · "- Sl2Jt - 7. ~lill!i79 ~ O· . l.~D$ 1.
ptt~eéSt..o l.,OO'f81 • 0-49-22~ - . Hll74l4 S.O.SIH~
a.
chUP.l :or (b - ~ ) • f[\1 b-V l l " t - 0 l tb-!U

]'1 .44 -
~~~bjl O.l~iS
t '!_h-1J_!t i.e cot.. ~!d="-= "•.Eid.te l

63
Tableau A.S Hausman - Actifs
~t a ru o1 tfi Ottl u .cta '•U:J :u u (J.l) ill l'lO:. ~.l. ~ -::r ::.:.
Gl:! f!.(d<f!:'.t!; :oe'!Vj ti!~tetj t·~2 l ,: "-~ !IL:!e ttr\t: .:..Q ' ~ "'r"t''U ~$ 'Ot:" t.:"'~ - -1! ~rt
lie Iolill eœ cœ _t iOI; :tl! te.~~. lb:a:; ne ttl! cutpl~ c! ;r.:c:r !!Ct:Dl.lt::lr';; . or-
~rth!.u.l u:~c '.!!if. ~c pc!.!. lN"!' .cc:sid!!r t:C.:Shn.;J •= · · b.!.!!t. 1:::1 tc"lll: ttl!
cocj:f,:çl r :-. s ::-e on ' ~ tn: :: s ~ .
•H ''.~rtu --
(~) U::·H
r..iH!!:.~!!let!
) ·ellf . t.f·H1 l -1.14S7Ja l.trrocn

J ~'iC.
! · ~)L. ... U.H2U> ~ Q.J HS:l -2.JSl04'7 .7U'!I)Q4
>!~:nttLGlé"~ -2S . (281:l ; .·4)H1J -Ji'.sé~9 ~L 4 t;!;S-IJ.
·10 .~ ~ H : . 5~ ~~, .n.an"'' .11l:u m
· . 9·<.m~ -i, ï$~ ' :;~ -~li nH !,5QH~
7, e;;,;.; Ji .~ ~m -~-~lï p ~.~1 ~
-·L$la. , . 2<Hil -U , W~H $ -SSU•
... }~. ~~'ft1 -~ .l~H~: ~~~- ·~!19'1 11..6
-:e.:aea ., ,2SJ 24~ ~20.92 il ~ 9.911 ~5:1
-~ ,$(~5 ~ · ~ .a~~ OSi · l.O~ ilS a.~l !$
: .H$W -1 ~ .!Hl~ 21.C4SSt 1~ . J~40
'1':10 "'1 l •l 'lCS~ - l. lf4·~ l a .t'l'Ot·'l'S
-!'.uè~,; -~ . !S~uH -:i.~$'n~ l,<! . ~y.~
-~.H'7U~ ·i .SJlGGi : . :~mou l 4 • .C ri~
~ ~ 1 '~ 1.7 '~ ~ -:i .~H5 ~ 15,5~1:1~ "· .00'..
1. ? 'o ï11 ~ , ;?.1575 n.0550& 4i7 .illHt
-1~ . Jï2J' ·l·5 . ((.44::< U . ti3lti9 o41G.::t5l9)
1:,;~1' ~ · l ' ,4 'J.4J~ 2!5.7U2S ~S.l3B92
zs .•ont 11 - ~He~ .9.19Cll~ 1 4. 5967S
1~ .'il!~ ~ ~. 7-11:§'ld
i~ - ·~ 3C1 1.3 . r.'G7\!l
ll. 'S~Î("l .l f .] ~ 8 1 ~ .....u 716 l.S:. 4.UO!i
H. ~ sc• JLJ<OJJ 2it.t!il65 J.Ql46
. :i~lO li.55Hl.l -2 .::i!S~!ii2 ll.!iiDM-
< 6.UO~~ J . 03U ~ ll.660H ]1). 4l2.4il'
11.211. ~ .U 6G' 6.:11a1.a 14 .75112!l·
1 .H9U t.Jfl15 ! 6.'74 92. ~ 16.G9~
t: ..rn i ~.. !~ )l! 11. l3:!§1 18.l'lt.l4
1 ~. t!, ) 5'~ ;~ - ~~ ~!> .::U1J~5~ l7.2n
-l.9:43H 1.21HOJ -9.20Ga9~ ..1.1071t 1
·11-+$ 4 ~ 1.011111 -l:l.lSt22 1!'..11, 51:'
-H . ;~~5j - ~ ,J'''i~IS -lQ,QC~~ l~.~U'1
l.H $~1 ;.mm -.!~QQ+U 12.9~~

64
APPENDICE B
STATISTIQUES DESCRIPTIVES DES VARIABLES UTILISÉES DANS LES

RÉGRESSIONS
Tablea u B.l Statistiques descriptives des variables utilisées dans les régressions
pour les étudiants sportifs
Var:. ictlJ l..: OL:;:; Iont:c;Ul S l ù. Dt:"' .

ocorc~~ath 1 300 36.3.:0192 70 . 16009
<'.<; i[ 1 30•0 74 .4389()3
a.·gel<n±a.n t 1.300 SI l.OOO .JilS
oe':li~En:fo..nt 1 300 .su;:JJS 4 G .4:999~&G
'Rt- V r-I U I'R1 ~ v -? 1.300 . 09l. -'i.1BS .?. :RB4B43
R-eve:nu.Moye .o. 2 1300 . 2Sl5.JS5 .4340G43

~.r-:nu.M.oy-=-n 1..3 00 .. 4 7 61.539 . 49962.].2
3tu.da<:o!l 1 30>0 .611531146" • 46"45412
Etudo=:Uni 1300 . 243Q7G:9 .42910G2
i~.mi.9ran1: ~'-e .1.296 . 07-4074.1. .26.J.99 2'5
jc:::wte~1~L= 1 300 . 5007692 .500 1 918

a vgMere. 1300 . 451.5395 . 4979375
angl 1300 . 703911!>2 . 1117700
h l ing 1.300 .01lt46 'l 5 .'1.34665
pêci.t~ .-e gion 1.300 .237692 3 . 42593 35
T"F<J1nn•nyPn 1 00 .11.2:3.077 .3Hi96&1.

q:ra.ndeP..2q:J.on 1.300 .3 Q 9:Z3 011 . 411 77635
..,:..nt~rio 1.300 . 267;(;923 . 442 92G7
p t·r.~1 r 1-r 1..300 . 15 23077 .43 4 <;Q4
at:l=t:~qu-c: 1 30>0 .:JU6"!.':!31 . 15:!499''1
1..300 . 091.5395 .2lU14Q43

F~mm.c Di plE:c c '" 1300 .2015395 .101.303!>
F<::::t n::.w::EL- LSc: u i300 .3 1 15395 • 463 3 005
li€<mmeu iplc - ~ 1300 .:2:26".1.539 .4195009
Uc m.'ncDi pl Uni 1300 .1307692 . 337277!>
HommeDip.!C · ! l. :JOO .:2;.lJV4G2 .41G91106

Hom.meDipl. Uni 1300 . 135:318 46 .3422&5G
r t-"rr- 1.30.0 . 51.. .5000924
tr,.r.;;2 1.300 • .3053 946 .4>!.074"!4
frere3 1 .300 .0794G15 .2C9
pr~va 1.300 .0:24Gl54l .155009<5

c<>tr= ique 1.30•0 .153:9Hi2 . 3G09..j,Ol.
au c.re~co~.e 1.300 . 003:&462 . 06:l92:l9
mcnopnr.cnt~l 1.30'0 .1192300 .3211.01.6
t>dt:.<:::HL:>Bl u 1300 . 8292308 .376452

65
Ta blea u B.2 Statistiques descriptives pour les variables utilisées dans les
régressions pour les étudiants actifs
Var iabl e Obs t•1ean Std. Dev.
scorel•1ath 1300 3 63 . 94.92 70.16009

actif BOO . 74 . 4399.03
ageEnf ant J.300 g 1.. 000395
sexeEnfant 1.300 • 51.53946 .4999556
RevenuElevé 130 0 .091.5395 .2994943
RevenuMcyen2 1300 .2515395 .4340643

RevenllMoyen J.30 0 .4761539 .4996232
StudeColl 1300 .6953946 .4645412
Et u de Uni 1300 .2430769 .4291062
imrnigrantF ·· e 129 6 .0740741 .2619925
jeuneMere 1.30 0 .5007692 .5001919

avgt-1er e 1300 .4515395 .4979375
ap..g _ 1300 .7939462 .4H7799
b i ling 1300 .0194615 .134665
peti t eRegion 1300 .2376923. .. 4.259335
regi oru•Ioyen 1300 . 1123077 . 3159661

grande.Region 1300 . 39923 0 9 .4977635
ontario 130 0 .26 7 6923 .4429267
prairie 13 0 0 . 2523077 . 434504
atlantique. 1300 .2969231 .4524994
CB 1300 . 09l.53B5 .2994943

FemmeDiplSec 1300 .20153B5 .4013036
Femme Et - tSe c 1300 .31153B5 .4633005
FemmeDipl C-1 1300 . 226153S .41B5009
FemmeDiplUni 1300 .1307692 . 337277 5
Hom;':leD i plC-1 1300 .2239462 . 4169906

HO!lk<leDi pl Uni 1300 .1353B46 . 3422656
fr ere _ 1.300 . 51. . 5 00092-1
f rere2 1300 .3053Q46 . 4607474
f rere3 1300 .07S46l5 .269
privé l300 . 0246154 . 1 550095

ca tho _ ique 1300 .1539462 . 3609401
a u tre Ecole 1300 .0039462 . 0619219
monoparental 1300 .l.l923 0 9 .324lB46
parentsBio 13 0 0 . B29230G .376452

66
BIBLIOGRAPHIE
Athletics Ontario. 2013 . «Quest for Gold». Athletics Ontario.

<http://athleticsontario.ca/quest-for-gold/>. Consulté le 11 juillet 2013.
Bailey, Richard. 2006. «Physical Education and Sport in School : A Review of

Benefits and Outcome. Journal of School Health. En ligne. Vol. 76, no. 8, p.
397-401.
<http://www. bromleyssp.co.uk/FCKfiles/File/FESTIV ALS%2020 10%20-
%202011/resources/BaileyPEbenefits.pdf>. Consulté le 3 juillet 2013 .
BC Athletics. 2011 . «General criteria for funding support and selection». In BC

Athletics. En ligne. <http://www.bcathletics.org/gensel.htm>. Consulté le 11
juillet 2013 .
Cameron, Collin A. et Pravin K.Trivedi. 2012. « Linear Panel Models: Basics ». In

Microeconometrics: Methods and applications. En ligne. p.697-742.
<bttp://pub lic.econ.duke.edu/-vjb3/e262p _07S/readings/Cameron _ & _Trivedi_M
icroeconometrics_Chapters_2.pdf>. Consulté le 14 juillet 2013.
Susan A. Carlson, Janet E. Fulton, Sarah M. Lee, L. Michele Maynard, David R.

Brown, Harold W. Kohl, III, and William H. Dietz. 2007 . Physical Education
and Academie Achievement in Elementary School: Data From the Early
Childhood Longitudinal Study. American Journal of Public Health. En ligne. Vol.
98, No. 4, pp. 721-727.
<http://ajph.aphapublications.org/doi/abs/ 10.21 05/ AJPH.2007 .117176>.
Consulté le 18 juillet 2013 .
Deslandes, Rollande et Richard Cloutier. 2005. «Pratiques parentales et réussite

scolaire en fonction de la structure familiale et du genre des adolescents.» Revue
français e de pédagogie. En ligne. n° 151 , p.6 1-74. <http://ife.ens-
lyon.fr/publications/edition-electronique/revue-francaise-de-
pedagogie/INRP _RF151 _5.pdf>. Consulté le 5 juilet 2013.
Finnie, Ross et Richarld Muller. 2008. The effect of family incarne, parental
education and other background factors on access to post-secondary education
in Canada. En ligne. 38p.
<bttp://higheredstrategy .corn/mesa/pub/pdfïMESA_ Finnie_ Mueller. pdf>.
Consulté le 5 juillet 2013 .
67
Institut Fraiser. 201 O. (22 octobre). « Bulletin des écoles secondaires du Québec
2010 ». En ligne. <http://www.fraserinstitute.org/fr/research-
news/news/display.aspx?id=16729>. Consulté le 9 juillet 2013 .
Lassalle, Jean-Yves. 1988. «Le contenu du discours : Les prolongements éducatifs».

ln Sport et délinquance, p. 150- 163 . Paris: Presses universitaires d'Aix-
Marseille.
Lauzon, Francine. 1990. «L'importance et le rôle des activités corporelles dans

l'activité humaine». In L 'éducation psychomotrice: Source d 'autonomie et de
dynamisme, p. 7-8 . Québec : Presses de l'Université du Québec.
Merrigan, Philip. 2014. « Analyse statistique des données de panel ». 25 p. Presses de

l'Université de Montréal.
Ministère de l' Éducation, du Loisir et du Sport. 2010 (a). Programme international

pour le suivi des acquis (PISA) 2009: La performance des jeunes en lecture, en
mathématiques et en sciences : Résulats obtenus par les élèves québécois de 15
ans. En ligne. Québec : Ministère de l'Éducation, du Loisir et du Sport, 67 p.
<http :1lwww. me !s.go uv.qc.ca/sections/pu b lications/EPEPS/Sanction_ etudes/Rap
portPISA_ProglntSuiviAcquis2009_f.pdf> . Consulté le 4 mai 2013 .
Ministère de l' Éducation, du Loisir et du Sport. 2010 (b) . Évaluation de l 'expérience

des participants au programme sport-études. En ligne. Québec : Ministère de
l'Éducation, du Loisir et du Sport, 16p.
<http://www.mels.gouv.qc.ca/loisirsportlpdf/publications/sportActPhys/Resume_
Rapport_Concilier_Etude-Sport.pdf>. Consulté le 10 mai 2013 .
Ministère de 1'Éducation, du Loisir et du Sport. 2012. «Soutient fiancier aux

athlètes». Ministère de l'Éducation, du Loisir et du Sport.
<http://www.mels.gouv.qc.ca/loisirSportlsporthautniveaulindex.asp?page=soutie
nauxathletes>. Consulté le 11 juillet 2013 .
Mulholland, Elizabeth. 2008. «L'Influence du sport: Le rapport sport pur». Sport

Pur. En ligne. (septembre). p.35-36.
<http://www.cces.ca/files/pdfs/TS_report_FR_webdownload.pdf>. Consulté le 4
mai 2013 .
OCDE. 2012 . «Éducation des personnes nées dans le pays de résidence de parents
immigrés». In OCDE, Trouver ses marques : Les indicateurs de l'OCDE sur
l'intégration des immigrés 2012. Éditions OCDE. En ligne. 14 p.
<http:l/dx.doi .org/10.1787/9789264073432-9-fr>. Consulté le 6 juillet 2013.
68
Réseau du sport étudiant du Québec. 2010. «La réussite et la persévérance scolaires

par le sport étudiant». Savoir. En ligne. Vol. 15, no 4, p.17 .
<http://rseq.ca/media/26649/la_re_ us site_et_la_perse_ve_rance_scolaire. pdf>.
Consulté le 12 mai 2013.
Sallis, James F. et al. 1999. « Effects of Health-Related Physical Education on

Academie Achivement: Project SPARK ». Research Quarter/y for Exercise and
Sport. En ligne. Vo1.70, no.2, p.l27-134
<http://corepe.pbworks.com/w/file/fetch/48098428/resultssallis.pdf>. Consulté le
18 juillet 2013.
Semykina, Anastasia et Jeffrey M. Wooldridge. 2008 . Estimating Panel Data models

in the presence of Endogeneity and Selection. En ligne. 56p.
<www .sciencedirect.corn/science/article/pii!S0304407 61 0000825>. Consu lté le
11 juillet 2013.
Shephard RJ. 1997. Curricular physical activity and academie performance. En

ligne. Pediatrie Exercise Science 1997. Vol.9, p.l13-126 .
<http://www.humankinetics.com/acucustorn/sitename/Documents/Documentltem
112399.pdf> . Consulté le 18 juillet 2013 .
Torres-Reyna, Oscar. 2007. Panel Data Analysis: Fixed and Random Effects (using
Stata JO.x). Diaporama en ligne. Princeton University. p.9-29.
<http ://www. princeton.edul- otorres/Panell 0 l.pdf>. Consulté le 15 juillet 2013.
Wooldridge. Jeffrey. «Econometrie Analysis of Cross Section and Panel Data» . 737
p. London, England: The MIT Press. 2002 .

Université Du Québec Montréal

Transféré par

Droits d'auteur :

Formats disponibles

Université Du Québec Montréal

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Université Du Québec Montréal

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITÉ DU QUÉBEC À MONTRÉAL

L'IMPACT DE L'ACTIVITÉ SPORTIVE SUR LES RÉSULTATS

Tout d'abord, je tiens à remercier M. Philip Merrigan, mon directeur de mémoire,

À mes parents, ma sœur et mon entraineur Alfredo .

TABLE DES MATIÈRES

BIBLIOGRAPHIE ................ ............................................... ... ............... ................... ......... .... 66

LISTE DES TABLEAUX

TABLEAU 1: ÉCHANTILLONNAGE DE L'ELNEJ : ÂGE À CHAQUE CYCLE ...... ....... 11

TABLEAU 1.2: STATUT SPORTIF SELON L'ÂGE DE L'ENFANT ......... ....................... 13

TABLEAU 3.4: ESTIMATEURS: RÉGRESSION À EFFETS ALÉATOIRES-

TABLEAU 3.5: ESTIMATEURS: RÉGRESSION À EFFETS FIXES -

TABLEAU 3.6: ESTIMATEURS: RÉGRESSION LINÉAIRE-

TABLEAU A.5 : STATISTIQUES DESCRIPTIVES - ACTIFS ........ .................... ................ 65

Le travail de recherche présenté ici constitue une exigense du programme de maîtrise

L'objectif principal de ce mémoire est de déterminer si le fait de pratiquer une

La question sous-jacente à cette étude, la conciliation entre le sport et les études,

Mots-Clés :panel, longitudinal, sport, physical activity, academie performance.

Le ministère de l' Éducation, du Sport et du Loisir (MELS) s'efforce à chaque année à

L 'étude canadienne « Th e relationship between physical activity, self-esteem, and

L'article d'Elizabeth Mulholland « L ' influence du sport : le rapport sport pur. »

Overall, the available research evidence suggests that increased levels

Le texte Évaluation de l 'expérience des participants au programme sport-études

académiques obtenus par des étudiants inscris au programme de sport-études versus

Le résumé d 'Anne Guèvremont et al. «Une forte participation à des activités

Le chapitre « Le continu du discours : les prolongements éducatifs » tiré du livre

À la lumière de ces informations, cette recherche tentera de démontrer qu 'au-delà de

1.1 Échantillon initial

L'Enquête longitudinale nationale sur les enfants et les jeunes (ELNEJ)

La corrélation entre ces deux variables est de 19,77 % dans l'échantillon de

Tableau 1. Échantillonnage de l'ELNEJ: Âge à chaque cycle

Source : Statistique Canada, ELNEJ.

Étant donné que le degré de difficulté du test de mathématique, le CAT/2, augmente

1.2 Échantillon final

Tableau 1.1 Tableau croisé- Âge et cycles

Cohorte Cycle 1 Cycle2 Cycle3

Tab lea u 1.2 Statut sportif selon l'âge de 1' enfant

Âge de 1' enfant Total

Tableau 1.3 Statut sportif selon le sexe de l' enfant

Sexe de l'enfant Total

En ce qui à trait à la distribution des moyennes obtenues au test de mathématiques, il

Ta blea u 1.4 Moyenne du score à l'examen de mathématiques

cet échantillon, 22 % des enfants ont un père détenant un diplôme d'études

francophones ou allophones. Ces constats sont cohérents avec la distribution des

Toutefois, l'ELNEJ met à la disposition des chercheurs plusieurs variables

variab le s d ichoto miq ues

Tableau 1.6 Taux de réponse au questionnaire de l'ELNEJ par province

15,579 13 439 86.3%

Source : Guide ELNEJ Cycle 1

En appliquant le test de Hausman, il sera possible de choisir quelle analyse, à effets

La modélisation de donnés de panel trouve ses ongmes dans le département

Yit = ~0 + ~ 1 zlt + ~ 2 X2t + ... + ~Il Xnt + Cj + Ujt , (1)

2.1 Modèles de base

2.1.1 Modèle d'estimation avec effets aléatoires

Soit l'équation (lA):

Yit = P0 + P1 Z 1t + P2 X2t + ... + Pn Xnt + Cj + Uit , (lA)

2.1.2 Modèle d ' estimation à effets fixes

Soit l'équation (lB) :

La présence du terme « Dncn » permet de différencier la constante pour chaque

la pratique de l'activité physique et bien d' autres variables. La seule hypothèse du