Les refuges pour animaux s'efforcent de placer définitivement les chiens dans des familles. Pourtant, une étude rétrospective à long terme estime qu'environ 9 % des chiens sont ramenés au refuge après leur adoption. Ces retours ont un impact sur les ressources disponibles pour prendre soin d'autres animaux. Identifier les causes profondes de ces retours peut éclairer les programmes visant à réduire ce phénomène.
À partir des données d'un vaste réseau de refuges new-yorkais, comprenant 3 465 chiens admis pour la première fois et suivis pendant six mois après leur admission, nous avons identifié, grâce à plusieurs modèles, des pistes d'intervention pour réduire le taux de retour des chiens adoptés. Le modèle utilisé dans cette étude est une régression logistique combinée à une sélection progressive des variables, permettant d'explorer la relation entre la probabilité de retour d'un chien et un grand nombre de covariables.
Nous avons constaté que l'âge du chien, sa tendance à l'agressivité, sa race, la durée de son séjour et la situation géographique du refuge sont liés à la probabilité qu'il soit ramené. En revanche, le transport des chiens entre refuges n'a aucun impact sur cette probabilité. L'interface conviviale et interactive de JMP, ainsi que ses visualisations, ont permis à la cliente, peu familiarisée avec les statistiques, de comprendre et de réaliser l'analyse de manière autonome. Ces résultats orienteront l'allocation des ressources vers des interventions, telles que des supports pédagogiques ou des programmes de formation, susceptibles de contribuer à réduire le taux global de retour des chiens.
Bonjour. Je m'appelle Alicia Arneson. Je suis doctorante à Virginia Tech. Je travaille au sein du groupe de conseil en statistiques du campus, où j'aide les chercheurs à mieux comprendre leurs données. Ce projet m'a été confié dans le cadre de ce travail, et j'étais ravie car, si vous regardez bien la petite chienne adorable au centre de l'écran, c'est ma meilleure amie. Elle s'appelle Winnie, et je l'ai adoptée dans un refuge pendant la pandémie de COVID.
Quand je suis allée la chercher, on m'a dit qu'elle avait déjà été ramenée une fois. Je suis rentrée chez moi en m'attendant peut-être à avoir une petite terreur à la maison. Je ne savais pas vraiment pourquoi. On ne m'a pas donné beaucoup d'informations. Mais finalement, on s'entendait à merveille. Elle a ses petites manies et ses sautes d'humeur, mais on s'en sort très bien. C'est un croisement de Bouvier Australien, alors elle fait tout ce que font les chiens qui ont mal agi, mais ça nous convient parfaitement.
J'ai découvert, lorsque ce client m'a contacté pour ce projet, que c'est une situation très courante dans les refuges. Ils reçoivent rarement beaucoup d'informations sur les raisons pour lesquelles les chiens sont ramenés. Parfois, les gens se sentent coupables et donnent des réponses vagues. Les refuges ne disposent alors que des informations les plus évidentes.
Cette cliente disposait d'un ensemble de données considérable. Elle travaille dans un grand réseau de refuges. Elle avait plus de 3 400 dossiers de chiens qui se présentaient pour la première fois au refuge. Nous avons tenté de limiter les biais en excluant notamment les chiens qui y séjournaient une seconde fois. Ce sera l'objet d'un projet ultérieur. Mais nous souhaitions utiliser les informations dont nous disposions pour essayer d'identifier les facteurs les plus liés à la probabilité qu'un chien soit ramené au refuge.
Car quiconque a déjà tenté de résoudre un problème au sein d'une grande organisation sait que cela peut s'avérer complexe, stressant et coûteux. Nous souhaitions vraiment aider ces centres d'hébergement à cibler les éléments les plus susceptibles d'avoir un impact significatif ou d'être les plus pertinents pour favoriser le retour des animaux, afin qu'ils puissent optimiser l'utilisation de leurs ressources pour approfondir la question.
Nous avons décidé de considérer comme « retour » tout chien ramené dans les six mois suivant son adoption. Cette approche diffère légèrement de celle de la plupart des refuges, qui se basent généralement sur 30 jours. Nous avons utilisé JMP pour définir une limite basée sur les données. Grâce à l'outil Distribution Explorer de JMP, vous pouvez accéder à cet outil via l'onglet Analyser, puis Distribution. Il offre d'emblée une multitude de fonctionnalités très utiles.
Cette présentation sera à 40 % une véritable déclaration d'amour aux profileurs JMP. Je vous préviens tout de suite, pour que vous puissiez vous familiariser avec ces distributions. Je savais que celle-ci était exponentielle grâce à la donnée de temps jusqu'à l'événement, et sa forme correspond exactement à ce que j'attends d'une distribution exponentielle.
Si je clique sur la flèche rouge à côté du nom de la variable de réponse et que je sélectionne « Ajustement continu » (je ne l'ai pas montré ici), une petite boîte de dialogue s'ouvre et je peux cliquer sur « Ajustement exponentiel ». Ensuite, je peux utiliser les profileurs à partir de cet ajustement exponentiel. Nous avons commencé par le profileur de quantiles car nous voulions définir un seuil qui prenne en compte au moins 95 % des chiens retournés. C'est une pratique courante en statistiques. Si la valeur se situe en dehors de cet intervalle de 95 %, il est possible qu'elle provienne d'un autre processus. Nous avons estimé que 95 % était un seuil raisonnable.
L'outil Quantile Profiler permet de modifier la probabilité recherchée, la probabilité cumulée, et indique la réponse correspondante. Il nous a suggéré que 173 jours pourraient constituer le seuil idéal. C'est très proche de 6 mois. Six mois facilitent grandement la communication avec les refuges. Nous avons utilisé l'outil Distribution Profiler pour vérifier si 6 mois étaient suffisamment proches de 95. Ce résultat s'est avéré raisonnable.
Nous avons entré 182 jours, soit la durée que la cliente souhaitait considérer comme 6 mois. Le logiciel nous a indiqué une probabilité cumulée de 95,7 %, ce qui est très proche de la réalité. Nous avons donc opté pour 6 mois, et JMP nous a aidés à faire ce choix. Ensuite, nous avons nettoyé et étiqueté correctement notre important ensemble de données. Nous savions que nous voulions un modèle simple qui fournirait à la cliente les informations souhaitées sans la surcharger, et c'est justement un point fort de JMP. C'est un excellent logiciel pour cela.
Nous avons utilisé l'option « Modèle ajusté » de l'onglet « Analyser ». Ce que j'apprécie particulièrement dans JMP, c'est que si la variable réponse est correctement étiquetée (dans notre cas, je l'avais étiquetée comme variable nominale), JMP peut déterminer le type de modèle le plus approprié. Je n'ai rien eu à modifier. C'était parfait.
J'ai entré ma variable Y, puis toutes les données qui m'intéressaient dans les champs d'entrée. Dans la case du haut, j'aurais pu modifier le modèle si je l'avais souhaité, mais JMP savait déjà que je voulais une régression logistique, ce qui est formidable. J'ai cliqué sur « Exécuter ». Immédiatement, JMP affiche un excellent résumé des effets, permettant d'identifier rapidement les éléments importants ou significatifs.
Comme je l'ai dit, l'objectif était de réduire cet ensemble important de variables à leurs plus importantes composantes. Nous avons donc procédé à une régression pas à pas descendante, ce qui signifie simplement que nous souhaitions éliminer les variables dont le signal était trop faible par rapport aux autres.
J'ai commencé par analyser les interactions principales. Pour vous donner un peu de contexte, le client s'intéressait beaucoup à la géographie des refuges, à la provenance et à la destination des chiens, et à l'impact de ces facteurs. Nous avons donc intégré des termes de niveau supérieur, mais nous les avons d'abord supprimés car ils se sont avérés peu pertinents. Ensuite, nous avons commencé à analyser les effets principaux.
À partir de là, en cliquant simplement sur la variable, puis sur « Supprimer », JMP réajustait le modèle, obtenait de nouvelles valeurs p, et on recommençait. On a répété l'opération plusieurs fois. On a ainsi obtenu un modèle beaucoup plus simple, ne retenant que les éléments les plus importants, ce qui est vraiment excellent. Il s'agit des éléments les plus liés ou les plus corrélés à la probabilité de retour d'un chien.
Nous en revenons donc aux Profilers, et à quel point je les apprécie. Nous avons pu utiliser l'option Profiler dans les résultats du modèle pour que la cliente puisse explorer par elle-même les éléments importants et leur impact sur la probabilité de retour. C'est formidable, car il est parfois difficile, surtout lorsqu'on s'éloigne des modèles linéaires classiques, d'expliquer la signification des coefficients. La possibilité pour une cliente de visualiser l'effet de la modification des niveaux des variables est tout simplement inestimable. Ce fut un aspect essentiel du projet, et cela a permis à la cliente de se sentir pleinement autonome.
Nous utilisons également JMP pour toutes nos visualisations. J'adore le générateur de graphiques de JMP car il me permet de personnaliser les choses sans avoir à me battre avec le code. C'est vraiment génial. Nous avons effectué quelques analyses de base. Nous avons constaté que 10,5 % des chiens de notre ensemble de données ont été rendus, ce qui est logique car nous nous attendions à environ 8 ou 9 %, comme le montrent d'autres études publiées par le client. Cependant, nous avons élargi notre seuil de sélection par rapport à la plupart des refuges, et nous nous attendons donc à ce que ce chiffre soit légèrement supérieur.
Ce graphique montre bien que les races de travail sont celles qui ont le plus de chances d'être abandonnées. C'est le cas des bergers allemands, par exemple. Si vous avez déjà visité le site web d'un refuge, vous en avez probablement vu beaucoup, ce qui explique ce résultat. En revanche, certaines races naines sont moins à risque. Cela se comprend, car un caniche nain n'est généralement pas une charge importante pour un foyer. Enfin, je dis ça, mais je n'ai jamais eu de caniche nain, alors je peux me tromper.
Comme je l'ai mentionné, le client s'intéressait beaucoup à ces zones géographiques. Nous avons constaté que le lieu de destination des chiens semblait avoir une incidence sur la probabilité de leur retour. Nous avons observé que les chiens emmenés dans des maisons en ville avaient plus de chances d'être retrouvés que ceux emmenés dans des maisons en zone rurale ou périurbaine.
Je tiens à préciser qu'il ne s'agit absolument pas d'une relation de cause à effet et que toutes ces variables sont des indicateurs indirects qui méritent d'être approfondis. Nous ignorons encore pourquoi les logements urbains présentent cette probabilité de rendement plus élevée, mais cela constitue un sujet très intéressant que le client peut explorer plus en détail.
Sans surprise, nous avons constaté que lorsque le personnel du refuge avait noté l'agressivité d'un chien (ils effectuent donc des tests comportementaux à l'arrivée des chiens et repèrent les signes d'agressivité), ces chiens avaient plus de chances d'être adoptés à nouveau. C'est probablement l'un des résultats les plus significatifs.
L'âge des chiens semble donc avoir une certaine influence. La plupart des chiens ramenés étaient des adultes, je dirais. On a constaté un pic entre 5 et 9 ans. J'étais vraiment surpris, car je m'attendais à ce que les chiots soient ramenés plus souvent que les chiens adultes, étant donné qu'ils peuvent être plus difficiles à gérer, mais ce n'était pas le cas. En fait, ce sont les chiens âgés qui étaient les moins susceptibles d'être ramenés, ce qui est également très intéressant.
En résumé, nous savions dès le départ qu'aucun facteur isolé n'explique le retour d'un chien. Il arrive parfois qu'il y ait simplement une incompatibilité entre le maître et le chien, ou une incompatibilité avec la situation. Nous avons toutefois identifié des chiens prometteurs que les refuges peuvent exploiter de manière ciblée, en s'appuyant sur les données, afin de réduire durablement le nombre de retours. JMP a grandement facilité ce processus.
Comme je l'ai mentionné, cette cliente travaille dans un grand réseau de centres d'hébergement. Elle n'est pas spécialiste des données. Elle était étudiante en master dans un programme très appliqué et elle avait une question précise, à laquelle nous disposions de données pour répondre. JMP lui a permis de se sentir pleinement impliquée dans le processus. Nous avons combiné ses connaissances de terrain et mes compétences statistiques, et elle a pu participer activement car, dans JMP, il est possible d'enregistrer l'analyse directement dans le jeu de données. Je pouvais lui envoyer le jeu de données, elle pouvait cliquer sur « Lecture » et voir ce que je voyais. Elle pouvait également utiliser les profileurs et le générateur de graphiques. En résumé, ce fut une expérience vraiment fluide et agréable avec cette cliente. C'était formidable.
Je tiens à remercier tout d'abord le client qui a collecté ces données et nous a prodigué de précieux conseils. Merci également à mon amie et collaboratrice, Simin, qui a contribué à l'analyse et au nettoyage des données, ainsi qu'à la tenue rigoureuse des registres. Un grand merci aussi à notre mentor, la Dre Jennifer Van Mullekom, pour son soutien et ses conseils sur ce projet et sur tous ceux menés au sein du SAIG, notre groupe de statistiques. Merci beaucoup de votre attention. J'espère que vous pourrez me poser toutes vos questions de vive voix.
