II.3.1. Analyse factorielle
Les analyses factorielles sont des méthodes
descriptives, elles regroupent différentes techniques statistiques qui
permettent d'examiner la structure interne d'un grand nombre des variables
et/ou d'observations afin de les remplacer par un petit nombre de facteurs ou
dimensions (Bennour, 2007). Ces analyses permettent de purifier
l'échelle de mesure qui constitue une étape fondamentale afin
de
renforcer la validité et la fiabilité du
construit utilisé (Churchill, 1979). Selon Evrard et al. (2009), les
analyses factorielles permettent de résoudre successivement quatre
problèmes :
? La préparation des données : à quelles
données appliquer l'analyse ? Ces données
sont- elles « factorisables » ?
? Le choix d'une procédure de calcul : quelle
méthode choisir ? ? La dimensionnalité : combien de facteurs
faut-il retenir ? ? Comment interpréter les résultats ?
a. Adéquation des données
L'application de l'analyse factorielle nécessite le
respect de critère de données factorisables comme le
précise Evrard et al. (2009, p.399) : « si elles
(les données) forment un ensemble suffisamment
23
cohérent pour qu'il soit raisonnable d'y chercher
des dimensions communes qui aient un sens et ne soient pas des artefacts
statistiques ». Pour vérifier que les données sont
factorisables, deux techniques sont utilisées : le test de
spécificité de Bartlett et le test de Kaiser Meyer et Olkin (KMO)
/ le test MSA (Measure of Sampling Adequacy).
? Le test de spécificité de Bartlett
: L'objectif de ce test est de vérifier que les
corrélations entre les variables de l'étude ne sont pas nulles.
Les variables ne doivent pas être indépendantes les unes des
autres (Jolibert et Jourdan, 2006). L'inconvénient de ce test est
d'être généralement significatif sur de grands
échantillons (Evrard et al., 2009).
? Le test de Kaiser (KMO) : Ce test permet de
vérifier que les variables mesurent de manière adéquate un
concept (Igalens et Roussel, 1998). La valeur du KMO qui donne les solutions
factorielles est acceptable si elle est au moins supérieure à 0,5
(Evrard et al., 2009).
b. L'interprétation d'une analyse ACP
L'interprétation d'une ACP nécessite la
vérification de deux critères, à savoir la saturation
factorielle et la communalité.
La saturation factorielle (loading) :
la corrélation d'une variable avec un facteur qui se
présente par le carré du loading (la contribution
factorielle). La rotation orthogonale de type Varimax « permet de
faire apparaître des contributions factorielles proches
des deux extrémités 0 ou 1 » (Pupion, 2012, p. 375).
Les items ayant une contribution < 0,5 seront éliminés (Evrard
et al., 2009).
La communalité : la part de variance
expliquée dans la combinaison linéaire de chaque facteur. La
communalité se décrit également par la qualité de
représentation. Ce critère permet d'apprécier le niveau de
représentation de chaque item. Les items dont la communalité =
0,5 doivent être conservés (Evrard et al., 2009).
| 
