27 Analyses simples des données Les trois chapitres précédents ont été consacres aux différentes manières de présenter les données, en tableaux de fréquences, en graphiques et enfin sous forme résumée. La plupart des services d’évaluation permanente recevront aussi des demandes d’analyses des données plus détaillées. Ce chapitre décrira comment les résultats de deux échantillonspeuvent être comparés pour voir s’ils proviennent de la même population OU de populations différentes;la procédure pour estimer les relations entre les variables sera également expliquée. Les analyses peuvent être faites manuellement OU sur une petite calculatrice. 27.1 Compara ison d’éc hant iIlons La majeure partie des échantillons dont l’évaluation a été suivie auront été choisis pour representer différentes populations (par exemple cultivateurs dans le projet OU en dehors du projet) OU les strates d’une population (par exemple cultivateurs pris dans des zones agro-climatologiquesdifférentes). Les demandeurs d’informationssur ces populations OU ces strates voudront qu’elles soient comparées pour savoir si elles diffèrent. Une différenceseulement dans les moyennes ne peut le montrer, étant donné que cette différencepeut être due à des facteurs aleatoireset au processus d’échantillonnage. La distribution des données, indiquée par leur dispersion, doit également être prise en compte. Dans le chapitre sur le choix de l’échantillon(chapitre 17) i1 a été dit qu’un échantillon doit avoir au moins de dix à quinze éléments dans chaque strate. Ceci rend possible d’appliquer une methode relativement simple pour comparer deux échantillons et tirer des conclusions sur les deux populations dans lesquelles les échantillons ont été pris. Par cette méthode, on teste si les deux échantillons ont été tires de populations ayant une même moyenne et si les populations peuvent être considérées comme étant les mêmes. Si le test indique qu’il n’en pas ainsi, on peut en conclure que les deux échantillons ont été pris en partant de populations qui ont des moyennes différentes. La procedure du test est la suivante: supposonsqu’il y a deux échantillons(par exemple les revenus de cultivateurs dans deux villages). Le premier échantillon a un nombre d’éléments n, appeles Xi(i = l....n). Le second échantillon a-m éléments, appelés Yj (i = I....m). Pour les deux échantillons, la moyenne o( et Y) et l’écart-type (sx et sy) peuvent être calculés. 257 La moyenne et l’écart-type des deux exemples peuvent être combinés dans un quotient z, qui est exprimé comme étant: Ce quotient sera petit si les deux moyennes X et sont proches l’une de l’autre. Comme i1 a été montré au chapitre 26, l’écart-type est un indicateur de la dispersion d’un échantillon; plus l’écart-type est élevé, plus la dispersion de I’échantillon est grande. I1 est logique que plus un échantillon est dispersé (et donc aussi la population dont i1 provient) plus la moyenne de chaque échantillon est influencée par le mode de sélection de l’échantillon; la différence entre les deux moyennes des échantillons doit par conséquent être plus grande pour être statistiquement significative. La conclusion tirée d’une comparaison d’échantillons n’est jamais absolument fiable. La fiabilité de la conclusion est indiquée par le niveau de signification. I1 existe des tables qui indiquent les limites de z dans lesquellesi1 peut &re conclu que les moyennes de deux échantillons sont égales à différentsniveaux de signification. En règle générale, si z se situe entre -2 et + 2, on peut conclure que les moyennes des deux échantillons sont égales. Autrement, leur différence est statistiquement significative. Exemple de comparaison d’échantillons Dans les Villages A et B, qui ont des sources de revenus différentes, toutes les activités génératrices de revenu ont été évaluées au cours de l’année pour savoir si le revenu moyen dans un village différait significativementde celui dans l’autre village. A l’origine, 25 cultivateurs ont été choisis au hasard dans chaque village, mais quelques séries de données étant incomplètes, elles n’ont pas PU être toutes utilides pour I’analyse. Les résultats finalement obtenus étaient: - dans le Village A: l’échantillon utilisabie comprenait 16 cultivateurs, qui avaient un revenu moyen de 110.000CFA, avec un écart-type de 32.000 CFA; - dans le Village B: l’échantillon utilisable comprenait 20 cultivateurs, qui avaient un revenu moyen de 200.000 CFA, avec un écart-type de 40.000 CFA. Le quotient z est calculé pour tester si les villages ont OU non des revenus différents. Pour simplifier, l’information est posée en unités de 1.O00 CFA. Z= x-7 1 IC120 -90 = -90 = -7,5 -- ,/(32)’/16 + (40)’/20 12 Jm fi On obtient ici z = -73, ce qui est plus petit que -2. On peut donc colure que les deux échantillons ont des moyennes différenteset viennent de populations différentes, et que les deux villages ont des revenus significativement différents, apparemment dus à leurs activités différentes. L‘information qui est obtenue en comparant des échantillons (et par conséquent des populations) peut être d‘une grande valeur pour un projet. Les comparaisons peuvent faire ressortir les groupes différents dans une population de cultivateurs, et indiquer, par exemple, leurs potentialités quant a l’acceptation de 258 nouvelles technologies. L’indication de différences entre des groupes de cultivateurs, OU son absence, peut mener dans le projet àdes programmes mieux adaptés aux besoins des cultivateurs. 27.2 Sér ies chrono Iogiques Une série chronologique est une série de valeurs de la même variable dans le temps, généralement à des intervalles régulièrement espacés. I1 a été montré au chapitre 25 comment des données de ce genre pouvaient le mieux être présentées dans un graphique. Maintenant, la discussion sera centrée sur la façon dont on peut extrapoler en partant d’une série chronologique, OU, autrement dit, comment estimer la tendance que les valeurs futures ont toutes chances de suivre. Un exemple très simple d’une série chronologique est la façon dont un prix change avec le temps, mais une série chronologique peut aussi décrire des choses telles que le développement de la production agricole dans une région, OU l’offre en main-d’oeuvre, et beaucoup d’autres variables qui changent dans le temps. 27.2.1 Extrapolation à partir d‘un graphique L’analyse d’une série chronologique commence généralement par une présentation graphique de la variable dans le temps. Ceci montre si la série semble suivre une séquence régulière OU non, et si une tendance peut être discernée. Parfois une tendance peut être interrompue. Par exemple: les prix du pétrole sur le marché mondial ont monte en flèche en 1973, de sorte que dans une série chronologique des prix mondiaux du pétrole, deux tendances séparées se manisfesteraient; une jusqu’en 1973, et une autre ensuite. Dans une série de prix de marché des céreales sur les marchés locaux en Afrique, le prix fluctue au cours de l’année, mais de façon autre que son evolution d’année en année, de sorte que pour découvrir une tendance à long terme dans une série de ce genre, i1 faut exclure les fluctuations mensuelles (ou journalières). Une façon simple de déterminer une tendance est de préparer un graphique dans lequel chaque valeur est représentée par un point, et de tracer enite une ligne qui soit aussi proche que possible de chaque point. Ce n’est pas une méthode tres précise, mais elle est rapide et donne souvent une idée générale de ce qui se passe. En partant de cette ligne i1 est possible d’extrapoler la tendance au proche futur, en lisant graphiquement quelle valeur la ligne représenterait par exemple I’année qui suit. 27.2.2 Moyenne mobile Une méthode plus précise pour estimer une tendance est celle de la moyenne mobile. Elle est particulierement utile pour les données qui suivent un régime cyclique. C’est une méthode relativement simple, dans laquelle on commence par déterminer combien de temps dure un cycle. Pour les prix des céréales sur les marchés locaux, par exemple, 259 en admettant qu’il y a une saison agricole par an, le cycle dure un an. La tendance peut donc être estimée par la moyenne mobile calculée sur 12 mois. Pour calculer la moyenne mobile sur 12 mois, on calcule la moyenne arithmétique des valeurs de douze mois, d’abord pour les valeurs des mois 1 à 12, puis de 2 à 13, de 3 à 14, etc. Ceci signifie que douze mois sont toujours représentés dans la moyenne, de sorte que les influences mensuelles peuvent être considérées comme ayant été éliminées. La moyenne mobile indique la tendance de la variable, en excluant les influences cycliques. Exemple de moyenne mobile Les prix de marché du sorgho au Marche A sont présentés dans le tableau 27.1. Le prix moyen pour les premiers 12 mois est de 61 CFA. I1 est porté au milieu de cette année là. La moyenne mobile pour les mois 2 à 13 est également 61. Comme on peut le voir sur le tableau, les séries des moyennes mobiles fluctuent beaucoup moins que les séries originales. Ceci signifie que, les fluctuations saisonnières mises à part, le niveau de prix change très peu. TABLWU 27.1. Prix mensuels du sorgho sur deux années au Marché A (CFA/kg) Année Mois 1978 Janvier Février Mars Avril Mai Juin Juillet AoÛt Septembre Octobre Novembre Dkembre Janvier Février Mars Avril Mai Juin Juillet AoÛt Septembre Octobre Novembre m b r e 1979 Prix (CFA/kg) Moyenne mobile sur 12 mois (CFA/kg) 59 60 66 62 60 69 65 62 62 64 50 53 56 61 65 68 62 63 68 66 64 58 49 45 260 61 61 61 61 61 61 61 61 62 62 61 61 60 27.3 Corrélat ion I inéaire La plupart des projets agricoles ont pour objectif de promouvoir des techniques culturales qui sont nouvelles pour les cultivateurs. Souvent des variétés sont introduites qui ont un haut rendement potentie1 si elles sont combinées à I’emploi de fertilisants et de méthodes culturales appropriées. Sur les parcelles d’essai d’une station expérimentale agricole, les rendements potentiels ont été déterminés pour divers niveaux d’emploi de fertilisant. Sous les conditions réelles de culture, néanmoins, le fertilisant peut ne pas être appliqué au bon moment OU au niveau correct, de sorte que la relation entre fertilisant et rendement identifiée sur les parcelles d’essai ne reste plus valable au niveau du cultivateur. La relation réellement existante, OU corrélation, intéresse generalement les dirigeants de projet, étant donné que l’emploi de fertilisant joue un rBle important dans de nombreux programmes d’innovations techniques. En statistisque, un problème de corrélation peut être décrit comme la recherche d’une relation entre des variables. La corrélation la plus simple est la corrélation linéaire a deux variables. Une variable est supposée dépendre d’une autre par suite de principes théoriques et il est estimé que leur relation peut être approchée par une fonction linéaire. La linéarité de la relation semble une contrainte sévhe, mais dans la pratique de nombreuses fonctions non linéaires peuvent être approchées par une OU plusieurs formes linéaires. De mime, de nombreuses relations non linéaires peuvent être transformées en relations linéaires par un simple transformation mathématique des variables. Les deux variables entre lesquelles on présume une relation peuvent être représentées par Y et X, Y étant la variable dépendante (par exemple le rendement) et X la variable indépendante (par exemple le fertilisant). Leur relation estimée ne veut pas dire que l’emploi de fertilisant explique completement les variations en rendements, mais seulement qu’il est un facteur important. 11 y a en général d’autres facteurs (le moment des activités agricoles, la repartition des pluies, etc.) qui influent sur le rendement, mais la corrélation linéaire considère seulement le facteur le plus important et essaye de quantifier la relation. 27.3.1 Analyse par graphique Avant de commencer le processus d’estimation de la relation mathématique on établit tout d’abord un graphique dit ‘nuage de corrélation’ pour voir si la relation attendue peut être montrée graphiquement. Le ‘nuage de corrélation’ est une representation graphique de toutes les valeurs de la variable indépendante (X), mesurée le long de l’axe horizontal, et des valeurs correspondantes de la variable dépendante (Y) mesurée le long de l’axe vertical. Chaque couple de valeurs est représenté par un point. Un exemple d’un nuage de corrélation indiquant la relation entre emploi de fertilisant et rendement de sorgho est montré sur la figure 27.1. 26 1 ... . . .. .. . . . .. . .. . . . .. . . * * . 1OOO- * . * OL O 50 100 150 Fertilisant appliqué (kg/ha) Figure 27.1 . Nuage de corrélation montrant la relation entre quantités de fertilisant appliqubes (kg/ha) et rendements en sorgho (kg /ha 1 Rien qu’en regardant ce nuage de corrélation, on peut voir s’il existe une relation linéaire entre les valeurs de X et celles des Y correspondants. Si X et Y ont une relation quelconque, le nuage de points sera tel qu’une ligne (qui ne sera pas nécessairement droite) peut être tracée à travers ces points. Pour que la forme de nuage de points puisse être observée correctement, i1 faut que le diagramme soit à peu près carré (les X mesurés occupant la même distance le long de l’axe horizontal que les Y mesurés le long de’axe vertical). Quelques nuages possibles présentés par les points ainsi que leur signification seront expliqués ci-après. Si la corrélation (linéaire) est parfaite, les points seront exactement alignés de la façon montrée sur les figures 27.2 et 27.3. Dans les deux figures, i1 est évident qu’il existe une relation linéaire entre les variables. La différence entre les figures est que la première montre une corrélation positive ( si X croît, Y croît) alors que la seconde montre une corrélation négative (si X croît, Y décroît). I1 est peu probable que des données provenant d’enquêtes agricoles montrent une corrélation parfaite, mais le nuage de points peut souvent confirmer qu’il existe une relation. La figure 27.4, par exemple, indique une corrélation positive et la figure 27.5 une corrélation négative. Ces deux figures montrent qu’une relation lineaire peut être estimée exister entre les variables, mais le nuage de points indique aussi qu’il y a d’autres facteurs qui influent et pertubent leur alignement. 262 Y i *.' X X Figure 27.3. Nuage de correlation montrant une corrélation negative parfaite Figure 27.2. Nuage de corrélation montrant une corrélation positive parfaite L'absence de correlation est montree sur les figures 27.6,27.7, et 27.8. Dans la première, le nuage de points ne peut (même avec beaucoup d'imagination) être representé par une ligne, alors que dans les deux autres les observations sont alignees mais avec les mêmes valeurs X OU OU Y. Ceci montre une indépendance parfaite des deux variables. Rendement kgha Rendement kgha . .. .. . . . .. . * f Date de semis Fertilisant (kQ/h4 Figure 27.4. Nuage de correlation montrant une corrklation positive entre deux varia bles Figure 27.5. Nuage de correlation moQtrant une corrélation negative entre deux variables 263 . .. ......: . .. .. Figure 27.6. Nuage de correlation montrant I’absence de correlation entre deux variables Y Figures 27.7,27.8. Nuages de correlation de deux variables compldtement indépendantes Un nuage de corrélation montre si cela vaut la peine OU non de continuer le processus d’estimation. Si aucune ligne (de quelque forme que ce soit) ne peut être tracee en partant des données (OU d’une partie des données) i1 est inutile de continuer car on ne trouvera pas de relation, même si théoriquement on s’attendait à une relation. Un nuage de corrélation montre aussi quelles sont les données qui s’écartent totalement de I’ensemble des données. Ces données devront être à nouveau vérifiées pour s’assurer qu’elles ne sont pas le résultat d’erreurs. Si aucune erreur n’est trouvée et que les données s’avèrent en vérité exceptionnelles,elles devront être exclues du processus de corrélation. Si I’entière série de données ne montre aucune corrélation, un meilleur résultat peut être obtenu en considérant seulement une partie de I’intervalle sur I’axe des X. 27.3.2 Estimation de la relation Si l’existence d’une relation est justifiée par le nuage de corrélation et également sur des fondements théoriques, la démarche suivante est d’estimer son équation mathématique. D’une manière generale, le relation peut être estimk s’écrire: Y=a+bX où X = variable indépendante Y = variable dépendante a, b = paramètres indiquant la relation entre X et Y 264 Le X dans la relation ci-dessus est le facteur principal, mais n’est pas le seul, qui explique la valeur de Y: i1 y a de nombreux autres facteurs qui ne sont pas pris en considération. Par conséquent la relation Y = a + bX est une approximation de la réalité, et les valeurs ne seront pas exactement conformes à l’équation. La meilleure approximation possible sera obtenue en calculant les paramètres a et b comme suit: n b= . c (xi-x)(Yi-Y) 1=1 n 1. c = 1 (xi-x)2 a = Y-bX où Xi - représente chaque valeur de X tour à tour X = moyenne arithmétique de Xi xi représente chaque valeur de Y tourà tour Y = moyenne arithmétique de Yi n = nombre de valeurs appariées (Xi, Yi) I1 est important de verifier si l’approximation de la ligne Y = a + bX aux points telle qu’elle est observée est suffisamment bonne. On le fait en calculant le coefficient de corrélation r(X, Y). 27.3.3 Coefficient de corrélation Le coefficient de corrélation se calcule de la façon suivante: n . c (xi-x)(Yi-Y) 1=1 r(X,Y)= n .1 c . x (Yi-k)2 1=1 =1 I accroissement de X a pour résultat un décroissement de Y, est indiquée par r = -1. En règle genbrale, un coefficient de corrélation de 0,6 OU moins est considéré comme trop bas pour indiquer une relation. 265 Exemple de corrélation Pendant toute l’année 1979, un service d’évaluation permanente a collecté des donn k s sur le revenu agricole, la superficie cultivée, etc., auprès d’un échantillon de ménages. Une analyse preliminaire des données a montré qu’il existe une relation entre la superficie cultivée par travailleur et le revenu brut total par travailleur. Dans un pays oÙ des méthodes culturales extensives sont appliquées, ceci n’est pas illogique. Les données de base disponibles sont reprises dans le tableau 27.2. La première démarche dans le processus de corrélation est d’établir un nuage de corrélation des données, ainsi que montré sur la figure 27.9, afin de savoir si on peut considérer que les données ont une relation. et dans l’affrmative, de quelle sorte de relation i1 s’agit. Revenu par travailleur (CFA) 130 tm 110 100 90 80 70 Bo 50 40 30 20 10 O 0.5 1.o 1.5 2.0 2.5 - 3.0 Superficie cultivk par travailleur (ha) Figure 27.9. Nuage de corr6lation montrant la relation entre la superficie cultiv6e par travailleur et le revenu brut total par travailleur Le nuage de conélation (figure 27.9) montre que cela vaut certainement la peine de continuer la proddure pour estimer une relation lineaire. Estimer ì’equation de correlation Y = a + bX, exige le calcul de a et de b a partir des données du tableau 27.3. 266 TABLEAU 27.2. Donnks de base sur la superficie cultivée par travailleur (ha) et le revenu brut total de la culture par travailleur (CFA), pour I’année 1979 Numéro de code du ménage Revenu brut par travailleur ( x IWCFA) Superficie cultivée par travailleur (ha) 1 2 3 4 1I6 5 105 6 7 8 9 IO 20 21 22 23 24 72 78 83 1O0 67 66 109 113 76 64 68 69 129 96 44 42 89 83 61 2.1 2.6 0.6 0.7 2.2 1,3 I ,9 1,1 1.6 0,9 n = 24 Y=Sl % = 1,5 126 56 32 11 12 13 14 15 16 17 18 19 12 1.5 1,o 1,6 1.7 13 1,1 1,3 1.6 1.4 2,6 13 12 L’estimation du b de l’équation de corrélation peut être faite par: b= 27 1,2 C(X - %)(Y- y ) -_ _--41,34 C(X-X)* 6,56 et celle de a par: a = Y-bX = 81-41,34 x 1 3 = 18,99 L’equation est par conséquent Y = 18,99 19 41X. + + 41,34X, OU en chiffre arrondi: Y = Le degré dans lequel cette équation s’ajuste aux données est exprimé par le coefficient de corrélation 267 TABLEAU 27.3.Calculs pour les paramètres du problème de corrélation du tableau 27.2:Relation entre revenu par travailleur (CFA) et superticie cultivée par travailleur (ha) en 1979 Codedu ménage 1 2 3 Y X 1 I6 2,l 2,6 126 56 32 0.6 0,7 105 2.2 8 72 78 83 13 19 12 9 100 IO 67 66 4 5 6 7 11 12 13 14 15 16 17 18 19 20 21 22 23 24 109 113 76 64 68 69 129 96 1 9 0 1,6 1,7 1,9 1,1 13 (Y-Y) (X-X) (Y-Y)2 X-X 0,6 35 45 -25 49 24 -9 21,o 49.5 223 39,2 I63 1 3 1 -0,9 - 0 9 8 0,7 13 -02 -1,2 4 . 4 6 0,4 -3 2 19 4x3 O 7,o O -14 -I5 -0.5 -1,5 031 28 32 5,6 12.8 2,o 3,4 -1.3 0,2 0,4 -0,4 -02 -5 -17 0, I 26 -13 -12 48 1,8 15 0,3 4x3 11,l -034 15.6 -094 -3,2 02 12.0 1,6 14 44 12 42 89 82 61 1,1 Total Total général 1.9 Moyenne arithmétique Notation Y r@,Y) = 1,s Y-V -31 -39 1,1 8 16 2 -20 03 - 0 9 1 1.1 -0,6 4 361 196 225 784 1.024 25 289 169 12 144 52,8 2.304 225 1.369 1.521 64 4s 0,l 1.225 2.025 635 2.401 576 81 9 258-258 5,1-5,1 279,O-7,8 44 36,O O O 81 X Z(Y-Y) 4 400 16.050 Z(X - X)(Y - Y) - Z(Y-V)(X-X) 271’2 Jc(x-x)2c(Y-Y)* J 6,56 x 0,36 1.21 0,81 0,64 0,49 0,04 0,16 0,09 0,OO 0,25 0,Ol 0.04 0,16 0,16 0,04 O,Ol 0,Ol 1,21 0.09 0,09 0.16 0,16 0,Ol 0,36 6,56 271,2 1 3 5 Zgc-X) (X-X)2 z(Y-V)2 z(x-X)2 = 0,84 16.050 Ce r est supérieur à 0,6. I1 peut donc être conclu que la relation existe. Ce coefficient de corrélation explique 1 -&? = 46 pour cent des valeurs, ce qui est plut6t élevé pour des données agricoles. On peut conclure qu’il existe une relation significative entre la superfkie cultivée par travailleur et le revenu brut total par trailleur. Cette constatation peut donc être utilisée pour prévoir le revenu par travailleur. Supposons qu’un travailleur cultive 2 ha. Que1 sera son revenu en 1979? La réponse se trouve en chiffrant la relation: Y=a+bX Y = 19 + 41 x 2 = 101 Son revenu peut être prévu à 1 O1 .OCFA. 268 27.4 Conclusions Les estimations de relation sont fréquemment calculées lors de l’analyse de données agricoles. Correctement utilisee, une corrélation lineaire peut révéler l’importance de facteurs déterminants dans les résultats des cultivateurs. I1 faut cependant se servir de cette relation avec prudence en prenant en compte les considérationssuivantes: - les données agricoles sont généralement assez imprécises, de sorte que les relations sont souvent difficiles à prouver, bien que ceci ne veuille pas toujours dire qu’elles sont absentes. D’autre part, i1 peut arriver que soit révélée une relation que l’on n’attendait pas. Une relation de ce genre doit être soigneusement examinée pour trouver la logique sous-jacente, étant donné que l’existenced’une relation ne peut être purement et simplementprouvée sur la base d’une fonction de corrélation; - tout calcul de corrélation aboutira à une relation, mais seul le coefficient de corrélation indiquera si la relation est significative OU non. C‘est seulement la forme la plus simple de corrélation qui a été présentée ici étant donné que c’est celle qui est le plus souvent utilisée dans les analyses de données agricoles, et que son calcul peut être fait, sans programmes spéciaux,sur la plupart des calculatrices. Les méthodes plus complexes incluent plus de deux variables, OU même des formes non linéaires de corrélation. L’inclusion de plus de variables dans la corrélation peut sembler attrayante, mais cela compliquera considérablement les calculs et peut mener à mal interpréter les résultats. 269 B ibliographie Anthony, K.R.M., B.F. Johnston, W.O. Jones and V.C. Uchendu, 1979. Agricultural change in tropical Africa. Comell University Press, Ithaca. Bamum, H.N. and L. Squire, 1979. A model of an agricultural household - theory and evidence. World Bank Occasional Paper 27. John Hopkins Press, Baltimore. Bradfield, D.J., 1970. Guide pour la formation des vulgarisateurs. FAO, Rome. Centre &Etudes et d’Expérimentation du Machinisme Agricole Tropical, 1972.The employment of draught animals in agriculture. FAO, Rome. Cemea, M. and B.J. Teffing, 1977. A system for monitoring and evaluation of agricultural extension projects. World Bank Staff Working Paper 272. World Bank, Washington. Cemea, M.M., 1979. Measuring project impact: monitoring and evaluation in the Pider rural development project, Mexico. World Bank Staff Working Paper 332. World Bank, Washington. Chambers, R., 1980. Shortcut methods in information gathering for rural development projects. Paper for World Bank Agriculture Section Symposium, January 1980. Chatfield, C., 1949. Food consumption tables for intemational use. FAO Nutritional Studies 3. Washington. Chou, M., D.P. Harmon Jr., H. Kahn and S.H. Wittwer, 1977. World food prospects and agricultural potential. Praeger, New York. Clark, C. and M. Haswell. 1964.The economics of subsistence agriculture. Macmillan, London. Clayton, E. and F. Petry (Eds.), 1981. Monitoring systems for agricultural and rural development projects. FAO Economic and Social Development Paper 12. FAO, Rome. Collinson, M., 1972. Farm management in peasant agriculture: a handbook for rural development planning in Africa. Praeger, New York. Couty, Ph., I.Y. Marchal, P. Pelissier, 1979. Maîtrise de I’espaceagraire et développement en Afrique tropicale - logique paysanne et rationalité technique. Actes du colloque de Ouagadougou, 4-8 Décembre 1978. ORSTOM, Pans. Deboeck, G. and W. Kinsey, 1980. Managing information for rural development - lessons from Eastem Africa. World Bank Staff Working Paper 179. World Bank, Washington. Deboeck, G. and R. Ng, 1980. Monitoring rural development in East Africa. World Bank Staff Working Paper 439. World Bank, Washington. Discar, W.J. and F.J. Massey Jr., 1969. Introduction to statistical analysis. 3rd ed.McGraw-Hill, New York. Food and Agricultural Organization, 1970. Fertilizers and their use: a pocket guide for extension officers. 2nd ed.FAO, Rome. Food and Agricultural Organization, 1974. Shifting cultivation and soil conservation in Africa. Papers presented at the FAO/SIDA/AECN Regional Seminar on Shifting Cultivation and Soil Conservation in Africa, Ibadan, Nigeria, 2-21 July 1973. Soils Bulletin 24, FAO, Rome. Food and Agricultural Organization, 1977. Rapport sur le recensement mondial de I’agriculture de 1970. FAO, Rome. Freeman, H.E., P.H. Rossi and S.R. Wright, 1979. Evaluating social projects in developing countries. OECD, Paris. Hall, A.E., G.H. Cannel1 and M.W. Lawton, 1979.Agriculture in semi-arid environments. Ecological Studies Vol. 24. Springer, Berlin. Hildebrand, P.E., 1979.Summary ofthe Sondeo Methodology used by ICTA (Institutade Ciencia y Technologica Agricolos). Ministra de Agricultura, Guatemala. Guatemala City. 270 Hunt, K.E., 1970.Agricultural statistics for developing countries. Oxford University Press, Oxford. Hursh, G., 1976. Third world surveys, Macmillan. London. Imboden, N., 1978. A management approach to project appraisal and evaluation. OECD, Paris. Imboden, N., 1980. Managing information for rural development projects, OECD, Pans. Institut National de la Statistique et des Etudes Economiques (INSEE), 1961. Manuel pour le formation d’enquêteurs dans le cadre d’une étude par sondage de budgets familiaux et de la consommation dans un un pays en voie de dévelopjm”. Ministére de la Coopération, Paris. Institut National de la Statistique et des Etudes Economiques (INSEE), 1962. Manuel d’enqutte agricole. 2me ed. Ministere de la Coopiration, Paris. Institute of Development Studies, 1979. Rapid rural appraisal. Papers presented at a conference held 4-7 December al the Institute of Development Studies, University of Sussex. International Crops Research Institute for the Semi-arid Tropics, 1980. Proceedings of the International Workshop on Socio-economic Constraints to Development of Semi-arid Tropical Agriculture. 19-23 February 1979. India. ICRISAT, Andhra Pradesh. Jodha, N.S.. 1976. Considerations in measurements of rural household incomes. ICRISAT, Andhra Pradesh. Johnston. B.F., 1958. The staple food economics of Western Africa. Stanford University Press, Stanford. Hageboeck, M., 1979. Manager’s guide to data collection. Office of Evaluation. Agency Int. Dev., Washington. Kearl, B., 1976. Field data collection in the social sciences; experiences in Africa and the Middle East. Agricultural Development Council, New York. Kowal, J.M. and A.H. Kassam, 1978. Agricultural ecology of savannah: a study of West Africa. Clarendon Press, Oxford. Latham, M.C., 1972. Planning and evaluation of applied nutrition programmes. Nutritional Studies 26. FAO, Rome. Little, I.M.D. and J.A. Mirrlees, 1974. Project appraisal and planning fordevelopingcountries. Heinemann, London. Matlon, P., 1977.Farm level datacollection in Northern Nigeria: guidelines for questionnairedesign. Michigan State University, Michigan. McLoughlin, P.F.M. (Ed.), 1970. African food production systems: cases and theory. John Hopkins Press, Baltimore. Mellord, J.W., 1966. The economics of agricultural development. Come11 University Press. Ithaca. Mood, A. and F. Graybill, 1963. Introduction to the theory of statistics. 2nd ed. McGraw-Hill, New York. Nelson, M., 1974.The development of tropical lands. John Hopkins Press, Baltimore. Norman, D.W., 1970. Labour inputs of farmers: a case study of the Zaria Province of the North Central State of Nigeria. Samaru Research Bulletin 116. Samaru. Norman, D.W., 1967, 1972. An economic study of three villages in Zaria province. Samaru Miscellaneous Papers 19,37, 18, Samaru. Norman, D.W., 1973. Economic analysis of agricultural production and labour utilization among the Haussa in the north of Nigeria. African Rural Employment Paper 4, East Lansing. Norman, D.W., 1978. Methodology and problems of farm management investigation: experiences from Northern Nigeria. African Rural Employment Paper 8. Michigan State University, Michigan. Norman, D.W., J.C. Fine, A.D. Goddard, J. Kroeker and D.H. Pryor. 1976. A sociwconomic survey of three villages in the Sok close-settled zone. Samaru Miscellaneous Paper 65. Ahmadu Bello University, Zaria. Payne, S.L., 1951.The art of asking questions. Princeton University Press, Princeton. Perrin, R.K., D.L. Winkelman and E.R. Moscardi, 1976. From agronomic data to farmer recommendations: an economic training manual. Information Bulletin 27. International Centre for Corn and Wheat Improvement. CIMMYT, Mexico. Perrin. R.K. and D.L. Winkelman, 1976. Impediments to technical progress on small versus large farms. Intemational Centre for Corn and Wheat Improvement (CIMMYT), Mexico. Phillips, J., 1959. Agriculture and ecology in Africa. Faber and Faber, London. Piclet, G., 1973.Notions d’konomie générale et d’konomie rurale. FAO, Rome. Reh, E.,1976. Manual on household food consumption surveys. FAO, Rome. Rossi, P.H. and W. Williams (Eds.), 1974. Evaluating social programs: theory, practices, politics. Seminar Press, New York. 27 1 Ruthenberg, H., 1971. Farmingsystems in the tropics. Clarendon Press, Oxford. Scott, W., 1978. Measurement and analysis of progress at the local level. UNRISD, Geneva. Stevens, R.D. (Ed.), 1977. Tradition and dynamism in smallfarm agriculture: economic studies in Asia, Africa and Latin America. Iowa State University Press, Ames. Struening, E.L. and M. Guttenlag (Eds.),1975. Handbook of evaluation Research. Sage, London. United Nations. Dept. of Economic and Social Affairs, 1978. Systematic mitoring and evaluation of integrated development programs. U.N. Washington. Upton, M., 1973. Farm management in Africa: the principles of production and planning. Oxford University Press, Oxford. World Bank, 1981.World Development Report 1980. World Bank, Washington. World Bank, 1981. Accelerated development in sub-Saharan Africa: an agenda for action. World Bank, Washington. Wrigley, G., 1969. Tropical agriculture: the development of production. Faber and Faber, London. Yang, H.P., 1968. Fact-finding with rural people. Agricultural Development Paper 52. FAO, Rome. Yang, W.Y., 1965. Methods of farm management investigations. FAO, Rome. Yule, G.U. and M.G. Kendall, 1965. An introduction to the theory of statistics. 14th ed. GriGn and CO., London. Zarkovitch, S.S., 1965. Estimation of areas in agricultural statistics. FAO, Rome. Zarkovitch, S.S., 1966. Quality of statistical data. FAO, Rome. 272