Memoire Online - Impact de la qualité de service perçue sur l'engagement à la boutique de quartier: application aux produits de petit dejeuner

Dans la recherche en Sciences de Gestion, notamment en marketing, 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.

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.

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.

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

Purifier les mesures		· Analyse factorielle exploratoire (ACP) avec rotation varimax et coefficient alpha de Cronbach · Qualité de service perçue : 2 dimensions 4 items · Engagement : 2 dimensions 6 items

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

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 (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 tenté 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.

v' 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.

v' 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.

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 cotéde 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.

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

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, les facteurs retenus (appelés sur le tableau 3.5 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.

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

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

	á 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 á de Cronbach de l'échelle est 0,784, largement supérieur à 0,5, nous pouvons donc approuver la fiabilité interne de l'échelle.

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 Sphéricité de Barlett	Khi deux approximé	372,571
	Ddl	28
	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 :

	Valeur propre	Pourcentage de variance expliquée	Variance cumulée
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.

Facteurs	Items	á de l'item	á du Facteur
Facteur1	Je suis tellement habitué(e) à ce point de vente qu'il me sera très difficile de ne pas y aller	0,861	0,761
	Je suis attaché(e) à ce point de vente	0,825
	J'ai le sentiment d'être particulièrement attaché à ce point vente	0,688
Facteur2	J'achèterai dans ce point de vente, même si les prix de ses produits deviennent plus élevés que ceux des concurrents	0,820	0,664
	Quel que soit le niveau de service proposé, je ne changerai pas de point vente	0,706
	Si les prix de mon point de vente augmentaient fortement, je ne changerai pas mes habitudes de fréquentations	0,783
Facteur3	Le maintien de ma relation avec ce point de vente se justifie par la qualité de ses services	0,873	0,634
	La qualité de la relation avec le vendeur justifie mon attachement au point de vente	0,773
	á de Cronbach de l'échelle

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.

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 :

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

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.

Qualité de service perçue bidimensionnel	á de Cronbach	Variance 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
Qualité de service perçue	0,5758	77,931

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%.

Engagement	á de Cronbach	Variance expliquée
J'achèterai dans ce point de vente, même si les prix de 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	0,8327	37,56
Je suis tellement habitué(e) à ce point de vente qu'il 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	0,8133	36,58
	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.

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.


	Quaper1
1

	Quaper2
1

	Achal1
1

	Achal2

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.

> 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 106

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 :

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 chacune.

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

La fiabilité est définie par Evrard et al¹⁴⁹ comme la qualité d'un instrument de mesure qui, appliqué plusieurs fois à un même phénomène, donne les même résultats. Elle est donc 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.

Echelles	Dimensions des échelles	Alpha de Cronbach	Rhô de Joreskog
Qualité de service perçue	Qualité du personnel	0,7697	0,89873
Qualité de service 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.

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 al¹⁵⁰. Pour attester de la validité de construit, il y a lieu de vérifier tant la validité convergente que la validité discriminante.

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 Fornell¹⁵¹ 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.

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

¹⁵¹Larcker et Fornell (1986) cité par Dominique Besson et Slimane Haddadj, Adaptation internationale des échelles de mesure entre universalisme et culturalisme : application à la mesure de l'environnement de l'entreprise, 2003

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 :

	Validité des instruments de mesure
	Qualité du personnel	Achalandage
Qualité du personnel	0,91
Achalandage	0,144	0,87

	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

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.

J'achèterai dans ce point de vente, même si les prix de 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 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

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.

Ce dernier chapitre est consacré à l'exploitation des données empiriques. Nous procéderons, dans un premier point à la description de l'échantillon et aux tests des hypothèses de recherche et dans un second point à l'interprétation et à la discussion des résultats ainsi que des contributions, limites et perspectives de la recherche.

Impact de la qualité de service perçue sur l'engagement à la boutique de quartier: application aux produits de petit dejeuner

Section 2 : Elaboration et validation du questionnaire