Facteurs explicatifs de l'achat en ligne au Cameroun

2. Les outils d'analyse des données

L'outil utilisé lors du traitement des données est le logiciel d'analyse des donnéesSPSS V20.0. The Statical Package for Social Scienceest une bibliothèque de programmes déjà écrits qu'il suffit d'utiliser pourrésoudre la plupart des problèmes statistiques d'analyse des données. Ce logiciel nous a servid'instrument d'analyse de données nous permettant de soumettre les données recueillies à destests. La parfaite connaissance de la nature des données collectées nous permet de mieuxchoisir le type de test à utiliser. Pour tester les hypothèses, il existe plusieurs méthodesd'analyse statistique : les analyses unidimensionnelles concernent l'étude des variables une àune sans dimension préalable et les variables multidimensionnelles pour l'étude de plusieurs variables.Nous avons donc choisi comme méthodes : la régression multiple en passant par le tri à plat et l'analyse en composantesprincipales

2.1. L'analyse unidimensionnelle

Cette méthode d'analyse des données unidimensionnelles concerne uniquement le tri à plat ou l'analyse des fréquences. Elle a pour but de déterminer pour chaque question et surtout pour chaque variable la distribution des fréquences absolues et relatives des individus ou des variables. Elle permet également de résumer au mieux l'information concernant une variable déterminée en faisant une description graphique et numérique (analyse descriptive)

2.2. Analyse multidimensionnelle

Cette analyse sera généralement réalisée pour le test de nos hypothèses de recherche. Elle sera complémentaire à l'analyse bidimensionnelle. Nous allons procéder dans le cadre de notre travail d'abord à une analyse en composante principale (ACP) pour réduire les variables tout en vérifiant que nous conservons la plus grande quantité d'information du phénomène factorisé ensuite effectué une régression linéaire.

· L'analyse en composantes principales est une méthode d'analyse factorielle,

qui vise à permettre une représentation plus accessible de la structure des données en retenant que l'essentiel de l'information. C'est le type d'analyse factorielle qui est adapté ici pour l'analyse de notre opérationnalisation de certains concepts utilisés dans cette recherche. Elle l'est d'autant plus dans la mesure où les indicateurs de ces variables sont pour l'essentiel mesurés par les échelles d'intervalles et sont donc quantitatives. Elle a entre autres pour objet d'identifier les facteurs qui expliquent les corrélations entre un ensemble d'items ou trait d'une même variable ou alors entre plusieurs variables. Ce qui veut dire que l'ACP met en évidence la structure d'une variable à items et, partant, en dégage les dimensions qui résument les informations contenues le fichier

· La régression multiple : correspond à une généralisation à trois variables et plus des méthodes de la régression simple. Elle apparait comme un complément à l'analyse bidimensionnelle. Son objectif est de trouver l'équation de régression qui explique le mieux le phénomène expliqué. Elle permet également d'exprimer la force globale de cette relation par le coefficient de corrélation multiple. Les résultats de la régression sont examinés par trois tests :

v Le coefficient de détermination R² qui indique la part de la variance de la variable expliquée restitué par le modèle. R² est un coefficient synthétisant la capacité de la droite de régression à trouver les différentes valeurs de la variable expliquéil exprime donc la qualité de l'ajustement global. Ainsi plus le coefficient est proche de 1 plus la restitution est parfaite.

v Le test F de Fisher Snedecorqui rapporte la variance expliquée à la variance résiduelle. Il permet d'évaluer la signification du coefficient de détermination en fonction du nombre d'observation. Par conséquent, c'est la qualité de l'ajustement global qui permet de juger de l'acceptabilité ou du rejet des hypothèses.

v Le test t de Studentmesure la contribution de la variable explicative au modèle.Ainsi, ce test sur le coefficient de régression (â) permet d'examiner si pour la variable explicative, il existe une relation significative avec la variable à expliquer.