II.1.3. Techniques de Récolte des données
Après avoir calculé la taille nécessaire
pour l'échantillon et après l'avoir reparti
en strates, nous avons distribué les questionnaires aux
personnes remplissant nos
critères d'inclusion et habitant plus
précisément notre milieu d'étude.
- 29 -
II.1.4. validité et Fiabilité de
l'échelle de mesure
a) Validité d'une Echelle de mesure
La validité d'une échelle de mesure
désigne sa capacité à appréhender un
phénomène (Hair et al. 2006). Les tests de
validité ont pour objectif de vérifier si les différents
items d'un instrument sont une bonne représentation du
phénomène étudié : mesure-t-on ce que l'on cherche
à mesurer ?
Pour valider l'échelle de mesure, l'ACP suit trois
étapes :
a. Création d'une matrice de corrélation
b. Extraction des facteurs
c. Sélection des facteurs et rotation.
? Création de la matrice de
corrélation
L'analyse factorielle est dérivée de
combinaisons formées à partir des inter-corrélations entre
les différents items ou énoncés. Avant de réaliser
l'analyse, il est important de s'assurer que les données peuvent
être factorisées.
Elles doivent former un ensemble cohérent pour pouvoir
y chercher des dimensions communes qui aient un sens et qui ne soient pas des
artefacts statistiques.
La matrice des données doit comporter suffisamment de
corrélations pour justifier la réalisation d'une analyse
factorielle
? Extraction des facteurs
Il n'existe pas de base quantitative exacte pour
déterminer le nombre de facteurs à extraire. Les critères
sont souvent choisis sur la part de variance de chaque item qu'un facteur
permet d'expliquer :
- l'« eigenvalue », ou règle
des valeurs propres > 1 ou règle de Kaiser-Guttman :
une valeur propre représente la quantité
d'informations capturée par un facteur, c'est l'indice pour
déterminer si le facteur contribue à exprimer un % de variance
qui est signifiant. Un facteur qui aurait une valeur propre inférieure
à 1 représenterait moins d'informations qu'un simple item.
- le « Scree Test », ou test du coude
ou de l'éboulis : ce test se fonde également sur
les valeurs propres des facteurs mais dans une perspective
relative et non absolue. Étant donné que chaque facteur est
extrait d'une matrice qui est le résidu de l'extraction
précédente, la quantité d'informations contenue dans les
facteurs successifs décroît. Lorsque, entre deux facteurs, la
décroissance en termes d'informations devient faible ou nulle, on peut
estimer que le dernier facteur ne contient pas suffisamment d'informations pour
être retenu.
- 30 -
- le critère du pourcentage de variance :
il s'agit d'une approche par laquelle on
observe les pourcentages cumulés de la variance
extraite par les facteurs successifs. L'objectif est de s'assurer qu'un facteur
explique une quantité significative de variance. Il est souvent
conseillé d'arrêter l'extraction lorsque 60 % de la variance
expliquée est extraite.
En résumé :
- 1ère étape: SPSS sélectionne
la combinaison d'énoncés intercorrélés et qui
expliquent le plus grand % de variance.
- 2ème étape: SPSS extrait une autre
combinaison d'énoncés intercorrélés et qui
expliquent le plus grand % de variance qui reste. Ainsi de suite pour les
autres facteurs... (SPSS calcule autant de combinaisons qu'il y a
d'énoncés).
? Rotation
Afin de pouvoir interpréter les facteurs, il est
généralement nécessaire de réaliser une rotation.
Celle-ci permet d'identifier des groupes de variables fortement liés les
uns aux autres. La rotation fait en sorte que chaque item ne soit fortement
lié qu'à un seul facteur. Cette opération est
réalisée par une redistribution de la variance des premiers
facteurs extraits aux facteurs successifs, afin d'aboutir à une
structure factorielle plus simple. (MAISHA 2012).
2. Fiabilité d'une échelle de mesure
La fiabilité consiste à s'assurer si l'on mesure
plusieurs fois (ou par des chercheurs différents) le même
phénomène avec le même instrument de mesure, on obtient les
résultats les plus similaires possibles. (KAJABIKA 2011).
Il existe plusieurs méthodes pour évaluer la
fiabilité d'une échelle de mesure (Test/retest, split-half ou
méthode des deux moitiés, formes alternatives, et
cohérence interne mesurée par l'alpha de Cronbach). Les trois
premières méthodes présentant beaucoup de limites
(Bugandwa, 2012-2013), nous avons choisi celle de la cohérence
interne.
Elle a été développée par Cronbach
(Cronbach, 1951). La pratique consiste à réduire le nombre
d'items initiaux contenus dans l'échelle en fonction de la valeur du
coefficient alpha, afin d'augmenter la fiabilité de la mesure du
construit. Sa valeur varie entre 0 et 1. Plus elle est proche de 1, plus la
cohérence interne de l'échelle (c'est-à-dire sa
fiabilité) est forte.
- 31 -
? Les valeurs de l'alpha de Cronbach
+ < 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
+ > 0,9 : Considérer la réduction du nombre
d'items.
Le logiciel SPSS fournit les niveaux du coefficient d'alpha de
l'échelle lorsque chaque item est supprimé. Les items dont la
suppression améliore sensiblement le coefficient ne sont
généralement pas retenus si la validité de contenu ne s'en
trouve pas amoindrie. (MAISHA 2012 op.cit.).
| 
