1.1.8. La
validité des variables d'étude
Pour tester la validité de nos variables, nous nous
sommes inspiré, comme la littérature récente l'explique,
au test de vérification de la validité des variables prises en
étude (alpha), comme recommandé par Cronbach (1946).
En effet, Cronbach recommande une analyse du coefficient alpha
de toutes les variables d'étude. Ce coefficient est une valeur variant
entre 0 et 1 qui ne doit pas être inférieur à 0,6. Une
valeur supérieure à ce coefficient valide les variables alors que
celle qui est inférieure à ce coefficient les éliminent
directement.
Tableau n°3.2.2. : Test de validité :
Coefficient Alpha de Cronbach.
Reliability Statistics
|
Cronbach's Alpha
|
N of Items
|
.689
|
9
|
Source: Notre confection dans SPSS
20.0
Dans une manière globale, l'analyse de validité
des variables nous a montré que les items qui constituent les cinq
composantes retenues présentent un coefficient Alpha de Cronbach de
0,689. Cette valeur est supérieure à 0,6 indiquant que notre
échelle est assez fiable. Ceci montre que ces items sont validés
comme caractéristiques de notre questionnaire. L'étude
menée par Brownell (1983, 1988), a obtenu des coefficients Alpha
respectivement de 0,86 et 0,71 comme caractéristiques de ses
questionnaires. Par comparaison de notre résultat, nous trouvons que ces
deux études corroborent ensemble.
1.1.9. Analyse
factorielle
A l'issue de cette analyse, nous ne nous intéresserons
qu'aux items relatifs à nos composantes principales retenues. Ainsi,
l'analyse factorielle se prête à identifier des facteurs qui
permettent d'expliquer des corrélations à l'intérieur des
items.
Avant de la prendre en compte, il convient de mesurer
l'adéquation d'échantillonnage par le coefficient de
Kaizer-Meyer-Olkin (KMO) qui évalue l'étendue de la relation
psychométrique des items.
Tableau n° 3.2.3. : Table de l'indice KMO et
Test de Bartlett.
KMO and Bartlett's Test
|
Mesure de précision de l'échantillonnage de
Kaiser-Meyer-Olkin
|
.593
|
Test de Sphérité de Bartlett
|
Khi-deux approxim.
|
301.255
|
Ddl
|
36
|
Signification de Bartlett.
|
.000
|
Source: Notre confection dans SPSS
20.0
La valeur de KMO de l'échelle trouvée est de
0,593 supérieure à 0,50. Les items peuvent être
factorisables dès que la valeur du KMO dépasse 0,50 (Kaiser,
1974). Alors, comme cette valeur de notre échelle est supérieure
à celle fixée par Kaiser pour être acceptable, on conclut
donc que nos données se prêtent à une analyse factorielle.
En plus, le test de sphérité de Bartlett est significatif (la
valeur du test est égale à 301,255 à 36 degrés de
libertés. P-value de 0,000< 0,05), et donc, nous constatons que la
matrice des corrélations n'est pas égale à la matrice
d'identité, indiquant aussi la pertinence d'une analyse factorielle.
L'hypothèse d'égalité de ces deux matrices est
rejetée.
Tableau n°3.2.4. : Table de variance totale
expliquée issue de l'ACP.
Variance totale expliquée
|
Composantes
|
Valeurs propres initiales
|
Extraction Sommes des carrés des facteurs retenus
|
Total
|
% de Variance
|
% cumulés
|
Total
|
% de Variance
|
% cumulés
|
1
|
1.802
|
20.021
|
20.021
|
1.802
|
20.021
|
20.021
|
2
|
1.481
|
16.457
|
36.478
|
1.481
|
16.457
|
36.478
|
3
|
1.193
|
13.255
|
49.733
|
1.193
|
13.255
|
49.733
|
4
|
1.108
|
12.316
|
62.049
|
1.108
|
12.316
|
62.049
|
5
|
.963
|
10.699
|
72.748
|
|
|
|
6
|
.813
|
9.032
|
81.779
|
|
|
|
7
|
.709
|
7.876
|
89.655
|
|
|
|
8
|
.495
|
5.505
|
95.160
|
|
|
|
9
|
.436
|
4.840
|
100.000
|
|
|
|
Méthode d'extraction: Analyse en Composantes
Principales
Source : Notre confection dans SPSS
20.0
De ce tableau, il ressort de cette analyse que seuls 4
facteurs expliquent la variance totale de 62,049%. La formation de ces facteurs
en items est donnée par la matrice des composantes principales
ci-dessous :
Tableau n°3.2.5. : Table de matrice des
composantes principales
Matrice des composantes
|
|
Composantes
|
1
|
2
|
3
|
4
|
APRO
|
.371
|
.400
|
.030
|
.653
|
RACEEL
|
.276
|
.463
|
.349
|
.525
|
IMPUN
|
.508
|
.472
|
-.035
|
.274
|
IMPTAX
|
-.625
|
-.205
|
.189
|
.231
|
TRACADIN
|
-.636
|
.519
|
-.088
|
-.073
|
ABUSP
|
.691
|
-.394
|
.219
|
.116
|
CONCUR
|
.015
|
.110
|
.513
|
-.495
|
CAPMAN
|
.091
|
.594
|
-.584
|
.066
|
AG
|
-.219
|
.402
|
.611
|
.103
|
Méthode d'extraction: Analyse en Composantes
Principales
Source : Notre confection dans SPSS
20.0
Ce tableau nous permet de dégager quatre facteurs
indépendants contenant respectivement trois, deux, deux et deux
critères qui constituent des axes principaux. En effet, il s'observe que
certains items se retrouvent dans plus d'une composante, notamment TRACADIN
(1ère et 2ème composante) et CAPMAN
(2ème et 3ème composante). La logique est
de ne retenir ces items que dans une seule composante de sorte à garder
l'équilibre entre les composantes et suivant la compatibilité
d'idées qu'ils énoncent. Cependant, nous avons choisi de les
classer, de nommer les axes et de les présenter dans le tableau suivant
ci-dessous:
- Axe 1 : Impôts et taxes ;
- Axe 2 : Stratégie ;
- Axe 3 : Environnement économique ;
- Axe 4 : Fonctionnement.
Tableau n°3.2.6. : Tableau des axes
principaux
Axes
|
Axe1 : Impôts et taxes
|
Axe2 : Stratégie
|
Axe3 : Environnement
économique
|
Axe4 : Fonctionnement
|
Items
|
Impunité (IMPUN)
|
Tracasseries administratives et institutionnelles
(TRACADIN)
|
Concurrence (CONCUR)
|
Accès à la propriété (APRO)
|
Impôts et taxes (IMPTAX)
|
Capacité managériale (CAPMAN)
|
Age de l'entreprise (AG)
|
Raccordement en eau et en électricité
(RACEEL)
|
Abus du pouvoir (ABUSP)
|
|
|
|
Source : Notre confection dans SPSS
20.0
En effet, après l'analyse en composantes principales
(ACP), nous remarquons que les variables qui ont fait l'objet de celle-ci
étaient de 15 au départ. Après cette analyse, nous nous
retrouvons désormais avec 4 variables « axes
principaux ». Cependant ces 4 axes principaux seront
complétés par quelques autres variables qui n'ont pas fait
l'objet de l'ACP et qui se visualiseront dans les résultats du
modèle.
|