Documente Academic
Documente Profesional
Documente Cultură
Dans la recherche en Sciences de Gestion la détermination d'un instrument de mesure reste une
étape critique. Si les concepts sont abordés dans la littérature, dans le même contexte, le
chercheur peut recourir aux instruments utilisés. En revanche, si les concepts ne sont pas
abordés dans la littérature dans le même contexte, comme notre cas ici, le chercheur aura
tendance à élaborer son propre instrument de mesure.
Pour ce travail le questionnaire est l'instrument de mesure utilisé pour la collecte des
informations. N'étant pas qu'une simple liste de questions son élaboration requiert beaucoup de
rigueur. Churchill avait développé en 1979 une démarche d'ordre méthodologique (paradigme
de Churchill) pour la construction des questionnaires à échelles multiples qui a depuis lors fait
l'objet de beaucoup d'améliorations. Ce paradigme de Churchill nous sert de référence pour
l'élaboration de notre échelle de mesure.
Nous allons dans un premier temps exposer les définitions et principes de ce paradigme, avant
de présenter la structure factorielle et l'analyse confirmatoire.
Principes et définitions
Nous nous sommes basés sur le paradigme de Churchill pour bâtir échelle de mesure. Ce
paradigme s'inscrit dans la théorie de la mesure qui vise à tester la qualité des instruments de
mesure tels que les échelles d'attitude. Il est fondé sur la vraie valeur formalisée de la manière
suivante Evrard et al. (2000) p. 287.
M= V + Es + Ea
Après s'être fait une idée du paradigme de Churchill, nous allons exposer, sur la figure 3.1
suivant, les différentes étapes qui nous mènent à la construction de nos échelles de mesure.
1
Figure 3.1 : Etape du paradigme de Churchill
Après avoir présenté le paradigme de Churchill, nous allons maintenant entrer dans les détails
des calculs, analyses et interprétations qui ont conduits à la validation du questionnaire.
Cette première collecte de données s'est déroulée pendant le mois Juin 2008 auprès de 200
clients des boutiques de quartier à Dakar. Les personnes enquêtées par questionnaires ont
répondu à 27 questions pour la qualité de service perçue et à 18 questions relatives à
l'engagement grâce à une échelle de Likert à 5 points. A la suite de cette enquête on a obtenu 200
observations pour chaque item, rappelons que les items ont été générés grâce à la revue de la
littérature et aux entretiens semi directifs.
La purification consiste à supprimer les items peu pertinents et d'analyser les caractéristiques
multi dimensionnelles des concepts. Afin de déterminer la structure factorielle de notre échelle,
nous allons procéder par des analyses factorielles.
L'analyse factorielle est une démarche statistique de structuration des données, qui consiste à
résumer l'information, en regroupant des variables quantitatives en variables composites ou
combinaisons linéaires appelées composantes principales ou facteurs ou axes, Evrard et al
2
(1993).Son postulat fondamental est : si des variables sont corrélées les unes avec les autres
dans nos données, c'est parce qu'elles subissent l'influence de certains facteurs qui leur sont
communs. Ainsi l'objectif de l'analyse est de mettre en évidence ces facteurs communs (facteurs
latents), non directement observables, mais qui pourront être estimés.
Après ces quelques éléments de réponse à cette question, nous sommes tentés de poser la
question:
Cette question peut être reformulée de la manière suivante : « les données formentelles un
ensemble suffisamment cohérent pour qu'il soit raisonnable d'y chercher des dimensions
communes qui aient un sens et ne soient pas des artefacts statistiques ? », Evrard et al (2000). Il
existe deux tests qui permettent de répondre à cette question : le MSA (Measure of Sampling
Adequacy) également appelé test de KMO de Kaiser, Meyer et Olkin et le test de sphéricité de
Bartlett.
Dans cette recherche nous avons utilisé à la fois le KMO et le test de sphéricité de Bartlett pour
étudier la pertinence de l'analyse factorielle, en d'autres termes ces instruments nous ont
permis de répondre à la question posée : l'analyse factorielle est elle possible avec nos données ?
Pour répondre à cette question, il faut d'une part étudier les communalisés, qui mesurent la part
de la variance de la variable expliquée par les facteurs retenus. Ces derniers sont les facteurs
dont leurs valeurs propres sont supérieures à 1, une valeur propre représente la variance totale
expliquée par chaque facteur, du fait qu'on travail avec des données centrées réduites cette
variance vaut 1. D'autre part, il faut étudier les coefficients de corrélation entre les variables
(items) et les facteurs. Pour cela il faut regarder du coté de la matrice factorielle ou matrice des
composantes principales représentant les coefficients de corrélation (loadings) entre les
variables centrées réduites et les facteurs. La règle est de ne retenir que les variables dont la
valeur du coefficient de corrélation en valeur absolue avec le facteur est supérieure à 0,5, Evrard
et al (1993). Ces variables peuvent être corrélées à plusieurs facteurs, pour une bonne
interprétation de ces facteurs il est préférable de procéder à une rotation.
3
L'objectif de la rotation est d'accentuer les corrélations de chaque item avec les facteurs qu'ils
ont servis à constituer, la rotation n'affecte pas les communalisés, ni le pourcentage de la
variance totale expliquée. La rotation peut être orthogonale, si les axes sont maintenus
orthogonaux et que les facteurs qui en résulte sont non corrélés, la méthode varimax qu'on a
appliquée pour cette recherche est la plus utilisée. La rotation peut être oblique ou oblimin
lorsque les axes sont non orthogonaux et les facteurs sont corrélés.
Ces quelques indications concernant les instruments utilisés, étant donnés, la présentation des
résultats de l'analyse factorielle sera faite dans les points qui suivent.
A la question est-il possible d'effectuer l'analyse factorielle ? Nous avions retenu que c'est le
KMO et le test de Bartllet qui permettent d'y répondre. Un KMO de 0,784 largement supérieure à
0,5 indique que l'analyse factorielle est possible avec les items de la qualité de service perçue. Ce
résultat est confirmé par le test de Bartlett avec une signification égale à 0. Ces résultats sont
présentés sur le tableau 3.1.
KMO 0,784
Test de Sphéricité de Barlett Khi deux approximé 471,777
Ddl 36
Signification de Bartlett 0,000
Notre objectif dans l'analyse factorielle est de résumer l'information en quelques dimensions
pertinentes qui seront des combinaisons d'items. Pour ce faire on va d'abord déterminer les
dimensions, ensuite analyser la communalité pour enfin analyser la fiabilité interne de ces
dimensions.
> Pour la détermination des facteurs c'est la règle de Kaiser qui sera utilisée. Cette règle veut
qu'on ne retienne que les facteurs aux valeurs propres supérieures à 1, sur le tableau 3.5 les
facteurs retenus appelés composante 1, 2 et 3 ont pour valeur propre 3,381, 1,424 et 1,092.
Après cette première analyse on se retrouve avec trois dimensions de la qualité de service
perçue expliquant 65,53% de l'information.
4
La communalité permet d'assurer que les facteurs retenus expliquent une part suffisante de la
variance de chaque item, elle représente la somme des carrés des poids factoriels. Si la
communalité d'un item est supérieure à 0,5, il est considéré comme suffisamment contributif à
expliquer l'axe. Sur les 27 items de départ nous nous sommes retrouvés avec 10 items, les 17
items sont éliminés après analyse de leurs communalités. A chaque fois qu'on retire un item
dont sa communalité est inférieure à 0,5, nous avons relancé les calculs pour ensuite revoir s'il
y'en a d'autres avec une communalité inférieure à 0,5 ainsi de suite jusqu'à ce qu'on ait que des
items avec des communalités supérieures à 0,5.
Ce procédé nous a permis de ne retenir que 10 items répartis en trois facteurs expliquant une
part importante de la variance de chacun d'entre eux. Les items retenus sont présentés sur le
tableau 3.3.
ALPHA de
Cronbach
Facteur1 0,811
Le vendeur de mon point de vente est courtois à mon égard Le vendeur de
mon point de vente traite mes réclamations immédiatement et
efficacement
> Pour analyser la fiabilité interne de l'échelle on a recourt au á de Cronbach. Il varie entre 0 et 1
et mesure le degré auquel l'ensemble des items inclut dans l'échelle mesure bien la même chose.
Ce coefficient est considéré comme satisfaisant lorsque qu'il est compris entre 0,5 et 0,6, Nunally
(1978). Par contre s'il n'atteint pas cette valeur des items mal corrélés avec d'autres doivent être
éliminés afin d'augmenter sa valeur.
Le alpha de Cronbach de l'échelle est 0,784, largement supérieur à 0,5, nous pouvons donc
approuver la fiabilité interne de l'échelle.
5
b. Analyse de l'engagement
L'indice de KMO pour l'engagement est de 0,697, donc l'analyse factorielle est possible pour les
données de l'engagement. Le tableau 3.4 montre les résultats.
KMO 0,697
Test de Khi deux approximé 372,571
Ddl 28
Sphéricité de Barlett Signification de Bartlett 0,000
Comme avec la qualité de service perçue le test de Kaiser permet de déterminer les facteurs,
alors que la communalité est utilisée pour éliminer tout item dont la valeur est inférieure à 0,5.
Chaque fois qu'un item est éliminé, l'analyse factorielle est renouvelée. Finalement trois facteurs
sont obtenus avec 8 items. Ces facteurs expliquent 67,922% de la variance expliquée, ce qui est
acceptable. Les caractéristiques de ces facteurs sont présentées dans le tableau suivant :
Pour la fiabilité interne de l'échelle le á de Cronbach est toujours utilisé. Nous avons déterminé
le á pour chaque item, pour chaque facteur et pour l'échelle. Ainsi les á obtenus sont
convenables. Les résultats sont proposés sur le tableau 3.7.
6
La qualité de la relation avec le vendeur justifie mon 0,773
attachement au point de vente
Après une deuxième collecte avec les échelles épurées, un nouveau traitement s'impose avec les
données nouvellement recueillies.
Cette deuxième collecte est effectuée durant le mois d'août 2008 sur toujours un échantillon de
200 individus fréquentant régulièrement les boutiques de quartier au Sénégal.
Les KMO de 0,781 pour l'engagement et 0,514 pour la qualité de service perçue montrent bien
que l'analyse factorielle est possible avec ces nouvelles données. Les résultats des tests de
Bartlett et du KMO sont présentés par le tableau suivant 3.7 :
L'analyse factorielle à rotation varimax, toujours effectuée, indique avec les données de la
deuxième collecte, deux dimensions de la qualité de service perçue. En effet, après l'élimination
des items de faible communalité et le renouvellement de l'analyse factorielle sur les 10 items et
3 dimensions, dont nous disposons à l'issue de la première analyse, il n'en restait que 4 items
avec deux dimensions pour une variance expliquée de 77,931%. Ainsi, la structure factorielle de
la qualité de service perçue est répliquée ; elle sera donc considérée comme un concept
bidimensionnel.
7
Qualité de service perçue 0,5758 77,931
Engagement á de Variance
Cronbach expliquée
J'achèterai dans ce point de vente, même si les prix de 0,8327 37,56
ses produits deviennent plus élevés que ceux des
concurrents
L'analyse factorielle confirmatoire (AFC) est une technique statistique située dans la
continuation de l'analyse factorielle exploratoire. Elle permet de tester le degré auquel une
structure factorielle hypothétique issue de l'analyse exploratoire est conciliable avec les données
recueillies sur l'échantillon. Autrement dit, elle permet de tester un modèle.
Nos échelles issues des différentes analyses factorielles sont : une échelle à deux variables
latentes (facteurs) et 4 variables manifestes (items) pour la qualité de service perçue et deux
variables latentes et six variables manifestes pour l'engagement. Ces échelles sont utilisées pour
l'analyse factorielle confirmatoire dont les résultats sont présentés ci-dessous.
8
A ne pas traiter
Après avoir présentés les schémas des modèles de mesure testés sur AMOS nous allons étudier les indices d'ajustements. Ils
comparent la qualité d'ajustement du modèle spécifié à celle d'un modèle de référence. Les indicateurs comparent donc la matrice de
covariance du modèle théorique avec la matrice de covariance du modèle observé.
Les indicateurs d'ajustement que nous allons examiner sont les suivants :
> RMSEA (Root Means Square Error of Approximation) : cet indicateur mesure l'erreur moyenne d'approximation attachée au modèle
spécifié. Il ne doit pas dépasser 0,08.
> Le Khi 2 (÷2) : Le ÷2 mesure la divergence entre les relations spécifiées entre les variables par le modèle et les relations
effectivement observées dans les données.
> Un faible ÷2 indique que le modèle spécifié par le chercheur est bonne. Le ÷2 rapporté au nombre de degrés de liberté est un
critère de bon ajustement du modèle ; plus il est proche de 0 meilleur est le modèle. Toutefois, il est utile de rappeler que cet indice 1
même rapporté au nombre de degrés de liberté demeure sujet aux variations de la taille de l'échantillon.
> GFI (Goodness of Fit Index) et AGFI (Adjusted Goodness of Fit Index) : ces indicateurs expriment la part de variance / covariance
expliquée par le modèle spécifié. Le GFI est un indicateur brut de la proximité des matrices S et Ó. Il est souvent assimilé à un
pourcentage de la variance des covariances expliqué par le modèle. Sa valeur est égale à 1 - F1/F0; où F0 est la valeur minimum des
fonctions d'ajustement du modèle d'indépendance (M0). Une valeur de 0,95 est considérée comme satisfaisante (0,90 pour N>300).
L'AGFI adapte le GFI pour tenir compte de la complexité du modèle : nombre de variables (k1) et du degré de liberté du modèle (d1).
Sa valeur est égale à : (1 - k1 (k1 + 1) /2dl) (1 - GFI). Sa valeur doit être supérieure à 0,8.
> CFI (indices d'ajustement incrémental) : le CFI (Comparative Fit Index), indice comparatif de Bentler : prend nettement en compte
la comparaison des degrés de liberté entre le modèle testé et le modèle d'indépendance M0. Sa valeur est égale à : 1 - (max
(NCP1,0))/(max(NCP0-d0,0)) où NCP1 et NCP0 correspondent au paramètre de non centralité pour les modèles M1 et M0.
Ces indices d'ajustement pour les modèles de la qualité de service perçue et l'engagement sont exposés sur le tableau 3.10 :
Dans l'ensemble ces indicateurs sont bons, ce qui nous permet de conclure que l'ajustement des
modèles est satisfaisant, ils s'ajustent convenablement avec les dimensions et les items.
La fiabilité est définie par Evrard et al1 comme la qualité d'un instrument de mesure qui,
appliqué plusieurs fois à un même phénomène, donne les même résultats. Elle est donc
1
Evrard et al, Market , Paris, Dunod, 2005
9
concernée par la réduction de la partie aléatoire de l'erreur. Plusieurs instruments permettent
de mesurer la fiabilité parmi lesquels le alpha de Cronbach et le rhô de Jöreskog. Avec le alpha de
Cronbach si les items sont censés mesurer le même phénomène, ils doivent être corrélés, la
covariance doit être élevée et le alpha proche de 1. L'alpha de
Cronbach étant très sensible aux items, il est parfois préférable d'utiliser le rhô de Jöreskog.
Supérieur à 0,8, le rhô de Jöreskog indique une bonne fiabilité de l'échelle. Pour calculer le rhô
du facteur A on prend les coefficients standardisés des contributions factorielles de l'indicateur i
au facteur A, loadings, issus d'une analyse confirmatoire. La formule suivante permet de calculer
le rhô pour le facteur.
Le tableau 3.11 suivant présente les résultats du calcul du rhô Joreskog et de l'Alpha de
Cronbach.
Les valeurs du rhô de Jöreskog pour les deux échelles sont supérieures au seuil mentionné plus
haut. Ainsi, nous pouvons conclure que l'échelle de la qualité de service et de l'engagement sont
fiables. La fiabilité est une condition nécessaire mais non suffisante pour établir la validité.
L'étude de validité fera l'objet du point suivant.
4. La validité de trait
La validité de trait cherche à vérifier si un indicateur ou une énoncé est, sur le plan empirique,
associé au construit auquel il est censé être lié. Autrement dit, elle permet de répondre à la
question mesure-t-on ce qu'on cherche à mesurer, d'après Evrard et al. Pour attester de la
validité de construit, il y a lieu de vérifier tant la validité convergente que la validité
discriminante.
a. La validité convergente
Il y a validité convergente si l'énoncé converge avec les autres énoncés associés au même
construit. Puisqu'ils sont censés mesurer le même phénomène, ils doivent être « corrélés » entre
eux. C'est la méthode préconisée par Larcker et Fornell qui est retenue. Selon cette méthode, la
validité est établie lorsque la variance moyenne partagée entre les variables de mesure et la
variable latente qui lui est rattachée est supérieure à 50%. Donc la valeur du Rhô ñ doit être
supérieure à 0,5. Cependant pour des échelles nouvelles des valeurs supérieures ou égales à 0,42
sont admises. La formule suivante sera utilisée pour le calcul de ce Rhô ñ.
10
Achalandage 0,7726
L'engagement Engagement affectif 0,6265
L'engagement calculé 0,6312
Les résultats montrent que tous les rhôs sont supérieurs à 0.5. Ainsi, la validité convergente des
échelles de l'engagement et de la qualité de service perçue est acceptée.
b. La validité discriminante
Il y a validité discriminante si les énoncés qui sont censés mesurer des phénomènes différents
sont faiblement « corrélés ». S'ils étaient fortement « corrélés », ils pourraient ne pas discriminer
entre les différents phénomènes que l'on cherche à mesurer. Pour ce faire, il faut que la variance
extraite pour chaque dimension soit supérieure au carré des corrélations entre les dimensions.
Autrement dit, il faut que le Rhô de validité convergente de chaque facteur soit supérieur aux
carrés des corrélations qu'il partage avec les autres facteurs.
Les résultats de la validité discriminante des échelles sont présentés par les tableaux suivants :
Après avoir présenté la fiabilité et les validités convergente et discriminante des échelles de la
qualité de service perçue et de l'engagement au point de vente, il convient d'en présenter leur
structure.
L'échelle de la qualité de service perçue du point de vente est donc composée de 2 dimensions.
Le premier facteur correspond à la qualité du personnel, il est composé de deux items. Tendis le
second facteur renvoie à l'achalandage, il est également composé de deux items.
De même que l'échelle de la qualité, celle de l'engagement au point de vente comporte deux
dimensions. Le premier facteur correspond à l'engagement affectif, il intègre trois items. Le
deuxième facteur est l'engagement calculé et comporte aussi trois items.
11
Encadré 3.4 : échelle définitive de la qualité de service perçue
1- Le produit que je veux est toujours disponible dans mon point de vente J'ai
tout ce qu'il me faut dans mon point de vente
2- Le vendeur de mon point de vente est compréhensif
3- Le vendeur de mon point de vente est aimable
DEA, thème de recherche : Impact de la qualité de service perçue sur l'engagement à la boutique de
quartier: Application aux produits de petit dejeuner
Bassirou DABO DEA 2009
12