II.2.3. L'analyse factorielle en axes principaux
L'analyse factorielle en axes principaux est une
méthode d'analyse des données qui permet d'identifier les
facteurs qui contribuent à la variance commune entre les variables
observables selon les travaux d'Akrout (2010). Préalablement à
cet auteur, Kaiser et al. (1974) signalaient déjà que
l'application de l'analyse factorielle en axe principaux nécessite que
certaines conditions soient remplies. Aussi, il faut que l'adéquation
des données collectées à la factorisation soit
vérifiée avant même de procéder à l'analyse
factorielle des échelles de mesure. Les travaux d'Evrard et al.
(2009) font état du fait qu'il est indispensable de se demander si les
données collectées sont « factorisables »,
« c'est-à-dire si elles forment 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 ». De façon plus claire, on dira qu'une analyse
factorielle est pertinence simplement si elle est faite sur des variables qui
sont corrélées. Connaître cette corrélation revient
à mettre en éclaircissement les moyens statistiques
suivants :
- L'indice du test de Kaiser Meyer et Olkin (KMO) qui
évalue les corrélations entre les énoncées en
indiquant si les variables retenues dans le cadre de la recherche constituent
une ou plusieurs mesures adéquates du concept. La valeur du KMO doit
être supérieure à 0,5 pour accepter l'axe ou les axes
factoriels découlant de l'analyse. Plus cette valeur est proche de
l'unité, plus on dira que les variables sont fortement
corrélées entre et constituent une mesure adéquate du
concept à mesurer.
- Le test de sphéricité de Bartlett à
travers son coefficient de significativité (sign) qui vérifie en
fait l'hypothèse nulle selon laquelle toutes les corrélations
seraient égales à zéro. Lorsque les résultats du
test sont proches de zéro (significativité inférieurs
à 0,05), (hypothèse des corrélations nulles est
rejetée. Les données sont ainsi corrélées et
peuvent être factorisées. La remarque est que ce test est
très sensible au nombre d'observation et est presque toujours
significatif lorsque ce nombre d'observation est très
élevé.
II.2.4. L'analyse de la fiabilité des échelles
de mesure des concepts
L'analyse de la fiabilité des items
est définie selon les travaux d'Evrard et al. (1993) comme
« la qualité d'un instrument de mesure qui, appliqué
plusieurs fois à un même phénomène, doit donner les
mêmes résultats ». On dira d'un instrument qu'il est
fiable que la mesure d'un phénomène répétée
plusieurs fois dans le temps, au regard de cet instrument, aboutit à une
même série d'observations, c'est-à-dire, à des
résultats qui sont sensiblement identiques. En effet, l'indicateur qui
permet de mesurer la fiabilité d'un ensemble d'items censé
contribuer à expliquer un phénomène est appelé
l'alpha de Cronbach. On l'appelle également l'estimateur de la
cohérence interne des énoncés expliquant le
phénomène. Ainsi, lorsque pour un ensemble d'items nous obtenons
un coefficient alpha de Cronbach proche de 1, on dira qu'on a une excellente
cohérence interne des énoncés. Selon les recherches
effectuées par Evrard et al. (2003), on dira à ce niveau
que « les questions censées mesurer la même chose
mesurent effectivement la même chose [...]. Quand les questions mesurent
des phénomènes différents, l'alpha de Cronbach se
rapproche de 0 et la cohérence interne de l'échelle est
faible. ». Cependant, il est à noter qu'il n'existe pas
réellement un seuil statistique spécifique destiné
à valider ou non l'alpha de Cronbach mais plutôt des études
qui ont essayé de formaliser l'acceptabilité de cet indice qui
doit de ce fait se situer entre 0,6 et 0,8 pour juger de la fiabilité
des échelles de mesure. De Vellis (2003) est allé jusqu'à
proposer un tableau synthétique conduisant à
l'appréciation de cet indice que nous présentons dans les lignes
qui suivent :
Tableau 18: Valeur et
acceptabilité de l'alpha de Cronbach
|
Seuil
|
Appréciation
|
|
Inférieur à 0,6
|
Insuffisant
|
|
Entre 0,6 et 0,65
|
Faible
|
|
Entre 0,65 et 0,7
|
Minimum acceptable
|
|
Entre 0,7 et 0,8
|
Bon
|
|
Entre 0,8 et 0,9
|
Très bon
|
|
Supérieur à 0,9
|
Considérer la réduction du nombre d'items
|
Source : Les travaux de De Vellis
(2003)
Une remarque que nous voulons faire à ce niveau est
que les règles de décisions en matière de la
fiabilité d'une échelle de mesure doivent être
compensées en faisant une analyse critique complémentaire. En
effet, ce coefficient alpha de Cronbach est sensible au nombre d'items de
mesure et une valeur important à ce niveau (qui tend vers 1) doit amener
le chercheur à avoir des interrogations sur des éventuelles
redondances d'items sans significations conceptuelle quelconque (Rossiter,
2002).
| 
