2.2. Les échelles de mesure
utilisées :
Les mesures proposées pour les différents
concepts identifiés dans le modèle, et les données
ramassées auprès de la population choisie nécessitent avec
évidence une vérification de qualité pour mener à
bien les traitements statistiques adéquats.
· L'échelle de
Likert :
Principe :
L'échelle additive de Likert porte le nom de son
concepteur « Rensis Likert » (Pierrien et al. 1983). Elle
permet de mesurer l'attitude d'une personne par la somme des réponses
fournies à une série d'échelles (Amerien, 1996, p.38). La
personne interrogée est appelée à exprimer son
degré d'approbation (d'accord) ou de désapprobation
(désaccord) à une série de propositions (items)
classées à priori comme étant favorable ou
défavorable.
C'est l'échelle la plus utilisée dans les
études en marketing.
· L'échelle sémantique
différentielle :
Principe :
La technique consiste à faire placer le stimulus
étudié .C'est un ensemble d'échelles permettant d'analyser
le contenu et l'intensité de l'attitude d'une personne vis-à-vis
d'un concept, d'un produit, d'une marque ; etc. Ce type d'échelle
permet de mesurer l'attitude du répondant qui est appelé à
indiquer sa position entre des paires d'adjectifs opposés (expressions
opposées).
Ces adjectifs sont séparés par 5 positions
intermédiaires supposées égales (c'est la raison pour
laquelle est qualifiée de bipolaire).
· L'échelle oui/non.
e. Evaluation des mesures :
Deux types de tests peuvent être effectués pour
évaluer les mesures proposées.
Le premier test : Le test
d'unidimensionnalité des mesures :
Pour s'assurer de la bonne représentativité des
items retenus pour la mesure d'un concept donné, le test
d'unidimensionnalité est le moyen le plus pertinent à ce stade.
Plusieurs outils sont proposés par la littérature pour
réaliser ce test dont les principaux sont :
· La corrélation :
Les items retenus pour mesurer un construit ne constituent
qu'un échantillon de toutes les propositions susceptibles de mesurer ce
construit. Un domaine est l'ensemble des propositions possibles (Perrien,
Chéron et Zins, 1984) et il est malheureusement impossible de constituer
un tel ensemble. Le score théorique optimal est égal à 1.
Plus nous nous rapprochons de ce score, plus nous nous rendons compte de la
fiabilité de l'échelle. Il existe différent types de
coefficients de corrélation et leur application est dépend de
l'échelle de mesure utilisée.
· Le MSA (Measure of
Sampling Adequacy):
Le MSA sert à mesurer l'adéquation de
l'échantillon appelé aussi mesure de l'adéquation de
l'échantillonnage de Kaiser-Meyer-Olkin. La comparaison de
l'ampleur des corrélations observées par rapport à
l'ampleur des coefficients de corrélations partielles se manifeste par
cet indicateur. Il s'agit de tester si las corrélations entre les
variables sont faibles.
Kaiser (1974) caractérise la mesure M.S.A de
merveilleuse quand elle atteint 0.90, objective lorsqu'elle est égale
à 0.80, médiane si elle est de l'ordre de 0.70, médiocre
pour une valeur de 0.60, misérable si elle est de 0.50. Tout item dont
la valeur MSA est inférieure à 0.5 doit être
éliminé.
· L'analyse factorielle :
Son rôle consiste à identifier un nombre plus
restreint de dimensions ou facteurs à partir d'un ensemble de
variables.
Trois pricipaux objectifs sont liés à cette
analyse :
· Assurer que les données sont factorisables
· Choisir la methode appropriée à l'analyse
factorielle
· Retenir les facteurs adéquats
Deux types de tests sont appliqués pour vérifier
si les variables sont factorisables :
- Le test de sphéricité de Bartlett :
présente une indication sur le nombre maximum des facteurs
à retenir.
- Le test M.S.A : pour tester
l'unidimensionnalité des variables factorisables (MSA>0.5).
Les facteurs présentent une combinaison linéaire
exacte des variables dans l'analyse en composante principale (ACP).
L'extraction des composantes principales, revient à réaliser une
rotation de maximisation de la variance (Varimax) de l'espace original de la
variable (basée sur la maximisation des coefficients de
corrélation des variables les plus corrélées). L'analyse
se base sur le critère de Kaiser pour identifier le
nombre de facteur à extraire. Ce critère est le plus
fréquemment utilisé, il faut retenir que les facteurs ayant une
valeur propre supérieure à 1.
Après avoir établir l'unidimensionnalité,
il faut s'assurer de la cohérence interne en mesurant la
fiabilité par l'Alpha de Cronbach.
Le deuxiéme test :Test de fiabilité
des mesures :
Tester la fiabilité consiste à aboutir aux
même résultats lors de la mesure du même
phénoméne plusieurs fois avec le même instrument.
Pour mesurer la cohérence interne de nos
èchelles de mesure nous utiliserons l'alpha de cronbach. Lorsque les
èchelles de mesure utilisent un faible nombre d'items et que le nombre
d'échelons des échelles est peu important, celui-ci est
mécaniquement tiré vers le bas (Evrad, Pras, Roux, 2003). Une
faible valeur d'Alpha indique que l'échantillon d'items reproduit mal la
variable (certains items doivent donc être éliminés), par
contre une grande valeur indique que le k ième item est
très bien corrélé avec les scores réels.
En fait, pour une étude exploratoire, un seuil de 0.60
est suffisant, alors que pour une étude appliquée, une valeur
supérieure à 0.80 est recommandée (Evrard et al. 2000).
| 
