Section 2 : Elaboration et validation du questionnaire

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.

I. Construction du questionnaire à partir du paradigme de Churchill :

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

Mesure obtenue= Vraie valeur+Erreur systématique+ Erreur aléatoire

Le questionnaire a comme objectif de tendre vers l'obtention d'une mesure parfaite du

phénomène étudié (vraie valeur). La poursuite d'un tel objectif semble être difficile si le domaine
étudié porte sur des attitudes et des perceptions subjectives. C'est pour cette raison que, les
différentes étapes proposées dans le paradigme de Churchill visent à réduire deux types
d'erreur de mesure à savoir l'erreur systématique (erreur dépendant de l'instrument de
mesure) et l'erreur aléatoire (erreur dépendant des circonstances de mesure).

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

Spécifier le domaine du - Revue de la littérature

construit - Entretiens semi directifs auprès des
individus fréquentant les boutiques
de quartier
Générer un échantillon - Retranscription des entretiens et analyse de contenu
d'items - Rédaction de 27 items pour la qualité de service perçue
- Rédaction de 18 items pour l'engagement

Première collecte de - Pré-test du questionnaire auprès de 200 étudiants.

données (Utilisation de l'échelle de mesure de Likert à cinq
niveaux )

Purifier les mesures - Analyse factorielle exploratoire (ACP) avec rotation

varimax et coefficient alpha de Cronbach
- Qualité de service perçue : 2 dimensions 8 items
- Engagement : 3 dimensions 8 items
Deuxième collecte de - 2éme collecte de données auprès de 200 individus
données fréquentant les boutiques de quartiers

Purifier les mesures - Analyse factorielle exploratoire (ACP) avec rotation

Estimer la fiabilité & la
Validité
varimax et coefficient alpha de Cronbach
- Qualité de service perçue : 2 dimensions 4 items
- Engagement : 2 dimensions 6 items
- Analyse factorielle confirmation (AMOS)
- Coefficients á de Cronbach et ñ de Joreskog

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.

1. La première collecte de données

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.

2. Purification des échelles de mesure

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.

> Quel est l'intérêt de l'analyse factorielle ?

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:

>Peut-on réaliser une analyse factorielle avec nos données ?

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.

Le KMO : Il mesure l'importance des coefficients de corrélation observés par rapport à

l'importance des coefficients de corrélations partielles. Autrement dit, il teste si les coefficients
de corrélation entre les énoncés sont suffisamment élevés pour y chercher des dimensions
communes. Un KMO élevé (proche de 1) indique que l'analyse factorielle est une méthode
appropriée et pertinente pour analyser les données. En revanche, un KMO inférieur à 0.5,
signifie que les items ne partagent pas assez de variance pour que l'analyse factorielle soit
adéquate.

Le test de sphéricité de Bartlett: Il analyse la forme du nuage de point et test l'hypothèse

d'une matrice de corrélation égale à une matrice identité (échantillon issu d'une population
normale pour les variables considérées). Il confirme l'existence de relations entre les variables
et la pertinence de l'analyse factorielle, Evrard et al (1993). Si la signification (Sig.) tend vers
0.000, c'est très significatif ; inférieur à 0.05, significatif ; entre 0.05 et 0.10, acceptable et au
dessus de 0.10, on rejette. ( !!!!!! sous réserve)

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 ?

Nous en venons maintenant à l'objet de la purification, consistant à se demander :

> Quels sont les items pertinents à retenir ?

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. Analyse factorielle des items de l'échelle de la qualité de service

perçue

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

Tableau 3.1 : KMO et test de Bartlett pour la qualité de service perçue

Source : données de l'enquête

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.

Tableau 3.2 : Variance de la qualité de service perçue

Valeur Pourcentage de variance Variance

propre expliquée cumulée
Composante1 3,381 37,565 35,565
Composante2 1,424 15,827 53,391
Composante3 1,092 12,139 65,53

Source : données de l'enquête

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.

Tableau3.3 : dimensionnalité et structure factorielle de la qualité de service perçue

Résultats après la première collecte de données

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

Le vendeur de mon point de vente est compréhensif

Le vendeur de mon point de vente est aimable

Le vendeur de mon point de vente est très attentionné à mon égard

Facteur 2 0,6557
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

Le vendeur de mon point de vente m'accorde du crédit

Facteur 3 0,5388
Le vendeur maître toutes les informations sur les produits sur les
produits vendus dans le point de vente

Je me retrouve facilement dans le point de vente parce que c'est bien

aménagé
á de Cronbach de l'échelle 0,784

> 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.

Tableau 3.4 : KMO et test de Bartlett pour l'engagement

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 :

Tableau 3.5 : Variance totale expliquée, échelle d'engagement

Valeur propre Pourcentage de variance Variance cumulée

expliquée
Composante1 2,788 34,849 34,849
Composante2 1,599 19,987 54,836
Composante3 1,047 13,086 67,922

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.

Tableau 3.6 : dimensionnalité et structure factorielle de l'engagement

Facteurs Items alpha de alpha du

l'item Facteur
Facteur1 Je suis tellement habitué(e) à ce point de vente qu'il me 0,861 0,761
sera très difficile de ne pas y aller
Je suis attaché(e) à ce point de vente 0,825
J'ai le sentiment d'être particulièrement attaché à ce 0,688
point vente
Facteur2 J'achèterai dans ce point de vente, même si les prix de ses 0,820 0,664
produits deviennent plus élevés que ceux des
concurrents
Quel que soit le niveau de service proposé, je ne 0,706
changerai pas de point vente
Si les prix de mon point de vente augmentaient 0,783
fortement, je ne changerai pas mes habitudes de
fréquentations
Facteur3 Le maintien de ma relation avec ce point de vente se 0,873 0,634
justifie par la qualité de ses services

6
 La qualité de la relation avec le vendeur justifie mon 0,773
attachement au point de vente

Cette phase exploratoire terminée et poursuivant toujours le paradigme de Churchill, une

deuxième collecte s'impose afin de répliquer ou non la dimensionnalité des échelles obtenues.

II. Réplique de la structure factorielle et analyse confirmatoire

Après une deuxième collecte avec les échelles épurées, un nouveau traitement s'impose avec les
données nouvellement recueillies.

1. Analyse factorielle de la nouvelle collecte

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 :

Tableau 3.7 : KMO et test de Bartlett pour la deuxième collecte

Concepts Qualité de service perçue Engagement

KMO 0,514 ,781
Test de Khi deux approximé 157,851 479,838
Ddl 6 15
Sphéricité de Barlett Signification de Bartlett 0,000 0,000

a. Analyse factorielle de la qualité de service perçue

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.

Tableau 3.8 : Structure factorielle de la qualité de service perçue

Qualité de service perçue bidimensionnel alpha de Variance

cronbach expliquée
Dimension qualité du personnel 0,7697 40,645
Le vendeur de mon point de vente est compréhensif
Le vendeur de mon point de vente est aimable
Achalandage 0,6520 37,286
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

7
Qualité de service perçue 0,5758 77,931

b. Analyse factorielle de l'engagement

Contrairement à la qualité de service perçue la structure factorielle de l'engagement n'est pas

répliquée. L'analyse factorielle de la deuxième collecte atteste deux dimensions de l'engagement
avec 6 items au lieu des trois dimensions avec 8 items obtenus à la première phase. Par
conséquent, l'engagement est bidimensionnel, avec une variance totale expliquée par les deux
facteurs de 74,14%.

Tableau 3.9 : Structure factorielle de l'engagement

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

Quel que soit le niveau de service proposé, je ne

changerai pas de point de vente

Si les prix de mon point de vente augmentent

fortement, je ne changerai pas mes habitudes de
fréquentations
Je suis tellement habitué(e) à ce point de vente qu'il 0,8133 36,58
me sera très difficile de ne pas y aller

je suis attaché(e) à ce point de vente

J'ai le sentiment d'être particulièrement attaché à ce

point de vente
0,8195 74,14

Après l'analyse factorielle exploratoire qui a permis de procéder à la purification et d'établir la

validité de notre instrument de mesure, il nous revient de passer à l'épuration de cet instrument
grâce à l'analyse factorielle confirmatoire.

2. Analyse factorielle confirmatoire

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 :

Tableau 3.10: indices d'ajustement des échelles

Indicateurs Qualité de service perçue engagement Seuils de décision

RMSEA 0,00 ,048 <0,1
La valeur la plus proche de 0
Khi2 157,851 479,838 -
Degré de liberté ; p. 6 15 -
GFI 1,000 ,981 [0-1]
Valeur la plus proche de 1
AGFI 1,000 ,950 [0-1]
Valeur la plus proche de 1

CFI 1,000 ,992 > 0,90

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.

En somme la qualité de service perçue est composée de deux dimensions

avec chacune deux items, de même l'engagement est bidimensionnel
avec trois items pour construit.

Après l'analyse factorielle confirmatoire, nous en arrivons à l'étude de la fiabilité et de la validité

de nos échelles.

3. Fiabilité des échelles

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.

Tableau 3.11 : indices de fiabilité des échelles

Echelles Dimensions des Alpha de Rhô de

échelles Cronbach Joreskog
Qualité de service Qualité du personnel 0,7697 0,89873
perçue Achalandage 0,6520 0,75714
L'engagement Engagement affectif 0,8133 0,8334
L'engagement calculé 0,8327 0,83685

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.

Tableau 3.12 : Validité convergente des échelles

Echelles Dimensions des échelles ñVC
Qualité de service perçue Qualité du personnel 0,8409

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 :

Tableau 3.13 : Validité divergente de la qualité

Validité des instruments de mesure

Qualité du personnel Achalandage
Qualité du personnel 0,91
Achalandage 0,144 0,87

Tableau 3.14 : Validité divergente de l'engagement

Validité des instruments de mesure

Engagement Affectif Engagement Calculé
Engagement affectif 0,791
Engagement Calculé 0,2209 0,794

La validité discriminante des échelles de la qualité de service et de l'engagement est satisfaisante

car les racines carrées des ñVC sont supérieures aux corrélations entre les construits.

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

Encadré 3.5 : échelle définitive de l'engagement

1- J'achèterai dans ce point de vente, même si les prix de ses produits

deviennent plus élevés que ceux des concurrents
2- Quel que soit le niveau de service proposé, je ne changerai pas de point de
vente Si les prix de mon point de vente augmentent fortement, je ne
changerai pas mes habitudes de fréquentation
3- Je suis tellement habitué(e) à ce point de vente qu'il me sera très difficile de
ne pas y aller
4- je suis attaché(e) à ce point de vente
5- j'ai le sentiment d'être particulièrement attaché à ce point de vente

En somme, nous avons présenté dans ce chapitre la méthodologie utilisée. Des

échelles fiables et validées ont été élaborées. Elles sont utilisées comme outil
de collecte définitive de données. Ceci étant, nous allons dans le chapitre
suivant tester notre modèle dans le but de vérifier nos hypothèses de
recherche.

Chapitre Suivant : Analyse des données, résultats, Contributions et

limites de la recherche

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