2
Hair J. F., Black W.C., Babin B.J. et Anderson R.E. (2008), Multivariate Data Analysis, Pearson New
International Edition
3
Joliber A. et Jourdan P. (2006), Marketing Research - Mthodes de recherche et d'tudes en marketing, Dunod.
20064). Si les variables ont t mesures sur des chelles comparables
(par exemple, notations sur des chelles qui comprennent le mme
nombre dchelons), les diffrences de variance dune variable lautre
peuvent tre considres comme normales . Dans ce cas, on peut
utiliser la matrice de covariance ou la matrice de corrlation (Evrard et al,
2000). En revanche, si les variables sont mesures suivant des formats de
rponse trs diffrents cest--dire le nombre dchelons ne sont pas
identique, il est recommand de les standardiser, cest--dire de les
centrer et de les rduire pour neutraliser leffet de la diffrence. Lindice
de proximit entre les variables sera alors le coefficient de corrlation, la
variance de chaque variable est alors gale lunit. Dans ce cas, on
utilisera la matrice des corrlations uniquement (Evrard et al, 2009). Il
sagit de vrifier que les items forment "un ensemble suffisamment
cohrent pour quil soit raisonnable dy chercher des dimensions
communes qui aient un sens et ne soient pas des artefacts statistiques"
(Evrard et al, 2009). Avec une matrice de corrlation, la variance des
variables faible cart type a autant dimportance que la variance des
variables fort cart-type.
Le test de Kaiser-Meyer-Olkin (KMO)
Pour examiner la nature factorisable des donnes, deux tests formels
sont disponibles : le test de sphricit de Bartlett qui fournit des
indications sur la forme du nuage de points ; le test de Kaiser, Meyer et
Olkin (KMO) qui mesure ladquation de lchantillon avec lensemble des
variables (Evrard et al., 2009). Le test KMO varie entre 0 et 1. Il permet de
quantifier le degr de corrlations entre les items. La valeur 1 indique
que chaque variable est explique sans erreur par les autres variables
(Hair et al., 20085). Sil est proche de 0, les corrlations partielles sont
identiques aux corrlations brutes. Dans ce cas, une compression efficace
nest pas possible. Les variables sont deux deux orthogonales. Sil est
proche de 1, nous aurons un excellent rsum de linformation sur les
premiers axes factoriels. Selon Jolibert Jourdan (2006), si le KMO est
suprieur 0,9 la solution factorielle est trs bonne, et la solution factorielle
4
Op. cit.
5
Op. cit
est acceptable pour les relations entre les variables. Le KMO gal 0,7 et
0,8 est correct. Un KMO infrieur 0,6 nest pas acceptable.
La formule de KMO snonce comme suit :
'
et
7
Hair J. F., Anderson R. E., Tatham R. L. et Black W. C. (1998), Multivariate data analysis,
5me dition, Englewood Cliffs, Prentice-Hall.
Le nombre daxes retenir dpend essentiellement de deux critres. Il
faut tout dabord retenir les facteurs qui satisfont le critre de Kaiser,
cest--dire, tous les facteurs dont la valeur propre est suprieure 1. Ce
critre repose sur lide que les facteurs associs des valeurs propres
infrieures 1 expliquent moins de variance quun seul item. Ce critre
particulirement strict doit tre pondr par le test du coude (scree-
test) et par la thorie. Un examen rapide de la courbe reprsentant les
valeurs propres permet de dterminer partir de quelle composante la
courbe sinflchit et ainsi didentifier le nombre daxes retenir.
Le deuxime critre observer est la part de variance cumule explique
par les facteurs retenus. Celui-ci est particulirement important car il
indique la capacit de lanalyse condenser les variables avec une perte
limite dinformation. Il est conseill de respcifier le modle lorsque la
variance cumule explique est infrieure 60% .
Globalement, il convient de sassurer que la solution retenue explique un
minimum de variance pour chaque construit : en gnral, le pourcentage
de 60% est gnralement admis (Hair et al., 19988).
Choix de la rotation retenir : La rotation repose sur le principe
daugmentation artificielle des corrlations entre les items et les diffrents
facteurs. Il existe deux types de rotation : rotation orthogonale et rotation
oblique. Plusieurs types de rotations sont possibles parmi les rotations
orthogonales qui prservent lorthogonalit des axes (Varimax, Quartimax,
Equamax). Iacobucci et al. (2001 9) prconisent une dmarche itrative de
choix de la rotation appliquer. Ils recommandent de commencer
lanalyse en supposant une corrlation entre les facteurs et deffectuer
une rotation oblique. Dans le cas o une forte corrlation entre les
facteurs, ils proposent dutiliser une rotation oblique contre une rotation
orthogonale lorsque la corrlation reste faible entre les facteurs.
Mthode varimax : mthode de rotation orthogonale qui minimise le
nombre de variables ayant de fortes corrlations sur chaque facteur. Elle
simplifie l'interprtation des facteurs. La rotation Varimax vise optimiser
8
Hair J.F., Anderson R.E., Tatham R.L., Black W.C. (1998), Multivariate data analysis (5th), Prentice Hall,
Upper Sadle River, New Jersey
9
Iacobucci D., Barnes J., Cote J., Cudeck R., Malthouse E., and Stewart D.W. (2001), "Factor analysis," Journal
of Consumer Psychology, 10(1/2), 75-82.
les saturations ou loadings dans chaque composante en maximisant les
carts entre saturations. Lobjectif est dobtenir au final des saturations
proches de 1 ou de 0 ; plus une saturation est proche de 0, plus faible est
son lien avec le facteur. Cette rotation est la plus utilise car le problme
le plus frquemment rencontr en analyse factorielle est de simplifier et
de clarifier la signification de chaque facteur.
Mthode quartimax : mthode de rotation qui rduit le nombre de
facteurs requis pour expliquer chaque variable. Chaque variable est
fortement corrle avec un seul facteur et le moins corrle possible avec
tous les autres facteurs. Linconvnient est que plusieurs variables
peuvent tre fortement corrles avec le mme facteur. La rotation
quartimax a pour objectif de maximiser les carts entre saturations par
variable. Elle peut donc se traduire par une accumulation de saturations
importantes sur un mme facteur, ce qui est peu recherch. Elle vise
rduire le nombre de facteurs expliquant chaque variable.
Mthode equamax : mthode de rotation qui est une combinaison de la
mthode Varimax (qui simplifie les facteurs) et de la mthode Quartimax
(qui simplifie les variables). Le nombre de variables pesant sur un facteur
et le nombre de facteurs ncessaires pour expliquer une variable sont
minimiss La rotation Equimax est trs peu utilise car elle donne des
rsultats peu probants.
Mthodes de rotation oblique
Une rotation oblique est recommande lorsque rien nindique a priori que
les composantes doivent tre indpendantes les unes des autres (option la
plus raliste), ou lorsque lon souhaite aboutir une modlisation
thorique. Cette rotation est imprative lorsque le chercheur souhaite faire
des analyses factorielles dordre suprieur.
- Rotation oblimin direct : il sagit dune rotation oblique selon la
mthode oblimin ;
- Rotation Promax : rotation oblique qui permet aux facteurs d'tre
corrls. Elle peut tre calcule plus rapidement qu'une rotation oblimin
directe, aussi est-elle utile pour les vastes ensembles de donnes (SPSS,
20.0).
La rotation oblique prsente linconvnient dtre parfois dlicate
interprter, mais elle a lavantage de pouvoir mieux rendre compte de
certaines situations (par exemple, le cas de plusieurs facteurs, distincts
mais relis un mme concept. Lorsque les corrlations entre les facteurs
sont leves, linterprtation avec une rotation oblique savre difficile,
cest la raison pour laquelle les techniques de rotation oblique ne sont pas
trs populaires. Si le chercheur postule lexistence de plusieurs dimensions
ou facettes au sein dun mme concept, il suppose implicitement que
celles-ci sont corrles entre elles. Dans ce cas, la rotation oblique est
celle quil faut adopter.
Fiabilit des mesures
Perrien et al10 soulignent que la fiabilit mesure le degr avec lequel les
instruments de recherche utiliss mesurent de faon constante, le
construit tudi. Le premier indicateur utilis dans les recherches
marketing est lalpha de Cronbach. La formule est donne par Cronbach
(1951)11 :
K
i 2i
1
K 1
i
ii2 2 i,
i, j
j
k : Nombre de questions (ou items)
2i : La variance de litem i (erreur alatoire)
i, j : La covariance entre litem i et litem j
10
Perrien J., Cherone E.J. et Zins M. (1984), "Recherche en marketing ", Gaetan Morin, Paris
11
Cronbach L.J. (1951), Coefficient alpha and the internal structure of tests, Psychometrica, vol. 16, n3, sept
12
Peterson A.D. (1994,
de 832 recherches montre un alpha moyen de 0.77 et que 75% des
coefficients ont une valeur suprieure 0.7 (49% suprieurs 0.8 et 14%
suprieurs 0.9). En outre, Evradet al jugent que alpha est acceptable sil
est compris entre 0.6 et 0.8 alors que Perrienet al retiennent un alpha
dont la valeur est comprise entre 0.5 et 0.6. Dans notre recherche, nous
allons considrer que les diffrents items mesurant un phnomne sont
fiables si lalpha est suprieur 0.6. Prcisons que alpha peut tre calcul
pour chaque item. Les auteurs recommandent de retirer les items dont
lindice est suprieur lindice global de la variable.
Le comportement de lalpha est sensible au nombre ditems, ce qui invite
le considrer avec prudence. En effet, un autre indice est introduit, il
sagit du rh de Joreskog.
La qualit des mesures utilise fait rfrence lcart entre les valeurs
observes et les vraies valeurs pour les mmes variables chez le mme
chantillon. La mesure dun construit comprend deux lments : la vraie
valeur (mesure parfaite) et les termes derreurs. Deux types derreurs
sont considrs : systmatiques et alatoires qui renvoient respectivement
la validit et la fiabilit des mesures retenues. La dmarche
mthodologique largement utilise en marketing pour gnrer des
mesures valides et fiables est introduite par Churchill (1979). Cette
dmarche convient parfaitement aux mesures rflectives appeles aussi
chelles de mesure.
La fiabilit renvoie au degr avec lequel un instrument mesure de faon
permanente le construit objet dtude (Evrard et al, 2004). La fiabilit peut
tre vrifie par alpha de Cronbach dans le cadre de lanalyse factorielle
exploratoire. Cet indice est sensible au nombre ditems. Pour pallier cette
faiblesse, un autre indice est prconis, il sagit de (rh) de Jreskog, calcul
partir des rsultats de lanalyse factorielle confirmatoire, en intgrant les termes
derreur. La formule snonce comme suit :
(1 2 3 ... n )
Rh de Joreskog
(1 2 3 ... n )2 Var ( i )
13
Bagozzi R.P. et Yi Y. (2012), Specification, evaluation, and interpretation of structural
equation models, Journal . of the Academy. Marketing Science, vol 40, n8.
14
(12 22 32 ... 2n )
Rh de Joreskog 2
(1 22 23 ... 2n ) Var ( i )
Var ( i ) 1 2i
La rgression linaire multiple est une technique danalyse multi varie. Elle se
prsente comme une gnralisation, plusieurs variables explicatives, de la
rgression linaire simple. La rgression multiple permet alors dexaminer la
force de dpendance dune variable dpendante et un ensemble de variables
indpendantes. Pour pouvoir appliquer cette technique, il faut que toutes les
variables envisages soient mtriques. Prcisons que la rgression multiple se
distingue en deux grandes classes : la premire pour faire des prdictions ou des
prvisions et la seconde se rattache lexplication de la force de la dpendance
dune variable expliquer par plusieurs variables explicatives.
Le modle gnral dun modle de rgression multiple peut tre formul comme
suit :
Y a1 x1 a 2 x 2 ... a n x n
Avec :
15
Op cit
variable a bel et bien une distribution proche dune distribution normale (courbe
de Gauss) dont la moyenne est nulle et lcart type est lunit.
2 5 10 20 2 5 10 20
20 45 56 71 ----- 39 48 64 -----
50 23 29 36 49 19 23 29 42
100 13 16 20 26 10 12 15 21
250 5 7 8 11 4 5 6 8
500 3 3 4 6 3 4 5 9
1000 1 2 2 3 1 1 2 2
1re condition : la variable initiale X, qui est dterminante, doit tre corrle
avec la variable rsultat Y. Cela revient rgresser Y sur X et montrer que le
chemin a (coefficient de rgression) est significatif. Y aX erreur . Le
coefficient a reprsente leffet total : direct et indirect, de X sur Y.
16
Baron R.M. et Kenny D.A. (1986), "The moderator-mediator variable distinction in social
psychological research: conceptual, strategic and statistical considerations", Journal of
Applied Social Psychology, vol.51, n16, pp. 1173-1182
17
Caceres, R.C. et Vanhamme, J. (2003), Les processus modrateurs et mdiateurs :
distinction conceptuelle, aspects analytiques et illustrations, Recherche et Applications en
Marketing, 18, 2. 67-100.
2me condition : la variable X doit aussi avoir un impact consquent sur la
variable mdiatrice M. il sagit alors de rgresser M sur X et montrer que le
chemin b est significatif :
M bX erreur
Y X M erreur
b*
Z Sobel
* s b 2 * s 22 s12 * s 22
2 2
1
18
Preacher K.J. et Hayes A.F. (2004), SPSS and SAS procedures for estimating indirect
effects in simple mediation models, Behavior Research Methods, Instruments, &
Computers, vol. 36, n4, pp. 717-731
La part de leffet mdiateur par rapport leffet total peut tre calcul par le
b*
ratio : * 100 . Leffet total de la variable X sur la variable Y peut apprcier en
a
faisant la somme de leffet direct et leffet indirect b * .