3-1-2 : Analyse de fiabilité :
L'analyse de fiabilité permet d'étudier les
propriétés des échelles de mesure et des
éléments qui le constituent. Elle permet de déterminer
dans quelle mesure les éléments d'un questionnaire sont
liés les uns aux autres et de procurer un indice général
de la consistance ou de la cohérence interne de l'échelle dans
son ensemble.
La procédure d'analyse
de fiabilité sur SPSS calcule plusieurs mesures fréquemment
utilisées de la fiabilité de l'échelle. La consultation
des tests de fiabilité pour les mesures de la participation
budgétaire dans les recherches antérieures a montré que le
coefficient Alpha de Cronbach (á) est le plus couramment utilisé.
Il s'agit d'un modèle de cohérence interne, fondé sur la
corrélation moyenne entre des éléments (Evrard et al.,
2003).
Dans cette recherche, on a
procédé à la mesure de la participation budgétaire
en faisant recourt à l'échelle de Milani (1975). Le coefficient
de fiabilité pour notre échelle se présente
ainsi :
Reliability Coefficients 6 items
Alpha = ,8283 Standardized item alpha = ,8321
Avant d'interpréter ce résultat, il s'avère
nécessaire de préciser que la valeur du coefficient Alpha est
comprise entre 0 et 1. Plus élevée est la valeur de Alpha de
Cronbach, plus les items représentent le même
phénomène. Nunnally (1978) recommande un Alpha (á)
supérieur à 0.6 pour se prononcer sur la fiabilité des
mesures.
Pour l'échelle de mesure de la participation
budgétaire, dans cette étude, Alpha est égale à
0.8283. Cette valeur est supérieure à 0.6 indiquant que notre
échelle est assez fiable. Ce résultat est consistant avec ceux
trouvés par Brownell (1983, 1988), en effet des coefficients á
respectivement de 0.86 et 0.71 ont caractérisé ses questionnaire.
Aussi, Belkaoui (1990) a trouvé un coefficient á de 0.75.
3-1-3 : L'analyse factorielle :
L'analyse factorielle essaie d'identifier des facteurs qui
permettent d'expliquer des corrélations à l'intérieur des
items.
Avant d'entamer
l'analyse factorielle, il convient de mesurer l'adéquation
d'échantillonnage par le coefficient de Kaiser-Meyer-Olkin (KMO) qui
évalue l'étendu de la relation psychométrique des items.
L'indice KMO de l'échelle est de 0.750. Les items peuvent
être factorisables dès que la valeur du KMO dépasse 0.5
(Kaiser et Rice, 1974). Signalons aussi que, plus l'indice est
élevé plus le nombre de facteur est faible.
On peut donc constater que nos
données se prêtent à une analyse factorielle.
Une analyse factorielle préliminaire a montré que
seulement deux facteurs expliquent la variance totale de 71.399%. La formation
de ces facteurs en items est donnée par la matrice des
composantes :
Cette première structure factorielle n'est pas
adéquate parce que la matrice des composantes montre que les items ne
sont pas bien répartis entre les deux facteurs. En effet, il existe des
items qui sont fortement corrélés à plus qu'un facteur.
Aussi, la première composante dégagée est
corrélée à tous les items du questionnaire ce qui
représente une anomalie qui affecte la première structure
factorielle de la mesure.
Pour
combler à ces insuffisances, le logiciel statistique SPSS nous permet de
faire une rotation des axes ce qui permet de séparer les items et de les
répartir entre les composantes d'une façon qui assure le
perfectionnement de leur interprétation.
La matrice des
composantes après la rotation des axes se présente comme
suit :
La rotation nous a permis d'éliminer les cas où un
ou plusieurs items forment plusieurs facteurs dans les mêmes proportions.
Elle a permis de dégager deux facteurs indépendants contenant
chacun trois items.
On peut conclure que la participation
budgétaire peut avoir deux dimensions distinctes : une dimension
d'implication et une dimension d'influence, comme a été
mentionné dans les hypothèses se la recherche.
Cette
multidimensionnalité est soutenue par Hassel et Cunningham (1993, 1996)
ainsi que par O'cconor (1995).
Le premier facteur peut être
interprété comme la dimension d'influence (items 3, 4 et 5), qui
explique 54.732% de la variance totale. Ce facteur a un coefficient de Cronbach
de 0.8034 qui est assez important.
Le deuxième facteur est la
dimension « implication » (items 1, 2 et 6) qui explique
16.667% de la variance totale. Le coefficient de fiabilité de ce facteur
est de 0.7709.
Donc l'objet de notre étude, à ce niveau, est de savoir
qu'elle est la dimension (facteur) qui affecte la performance organisationnelle
de l'entreprise.
| 
