Appréciation des services et intention de switch dans une institution du système financier décentralisé: application aux membres de la COOPEC AKIBA YETU

III.1.3. Technique de dépouillement et de traitement des données

En vue de traiter les données essentielles à l'élaboration de ce travail, le recours à l'analyse factorielle, la comparaison des moyennes et la régression linéaire a été jugé indispensable.

III.1.4.1. La justification de l'analyse en composantes principales

L'ACP est le type d'analyse factorielle qui est appropriée ici pour la vérification de l'opérationnalisation des variables du modèle conceptuel de la recherche, où les variables en étude sont mesurées par une échelle d'intervalle et sont toutes quantitatives.

En effet, pour les variables catégorielles, la littérature suggère de recourir à une autre variante de l'analyse factorielle qui est dite Analyse Factorielle de Correspondance AFC, plus développées.

L'ACP a pour objet d'identifier les facteurs qui expliquent les corrélations entre un ensemble d'items d'une même variable ou alors entre plusieurs variables^173(*).

L'analyse préalable est de tester la pertinence de l'ACP pour les variables à analyser. Pour y parvenir l'indice KMO (Kaiser-Meyer-Olkin) saisissant l'adéquation de l'ACP avec les données de l'échantillon d'étude.

III.1.4.2. La fiabilité de l'échelle de mesure

La fiabilité correspond au degré avec lequel les instruments utilisés mesurent de façon constante le construit étudié^174(*). L'analyse de la fiabilité de l'échelle de mesure utilisée dans cette étude passe par le coefficient Alpha de Cronbach qui, explicite la cohérence interne d'une échelle construite à partir d'un ensemble d'items. La pratique consiste à réduire un grand nombre d'items dans un processus itératif en fonction de la valeur associée au coefficient Alpha de Cronbach, qui varie entre 0 et 1. Plus sa valeur est proche de 1, plus la cohérence interne de l'échelle (sa fiabilité) est forte, très bonne si sa valeur est située entre 0,8 et 0,9 et enfin pour une valeur inférieure à 0,6 insuffisante est la cohérence interne

L'analyse factorielle a deux principaux objectifs, résumer les données : elle fait ressortir les dimensions sous-jacentes qui, une fois interprétées, décrivent les données de manière synthétique et réduire les données : elle calcule des scores pour chaque dimension et les substitue aux variables origines^175(*).

III.1.4.3. L'adéquation des données : examen de la factorisabilité

Avant de procéder à la factorisation, la littérature mentionne qu'il est à priori ultime de s'assurer que les données sont factorisables. Les données doivent avant tout former un ensemble cohérent pour que les dimensions communes aient un sens.

Pour ce faire, deux indicateurs non mutuellement exclusifs sont d'importance capitale, à savoir le test de Sphéricité de Bartlett et la measure of sampling adequacy ou Kaiser-Meyer-Olkin, abrégé KMO. La mesure KMO teste si les corrélations partielles entre les variables sont fiables. Des valeurs de KMO comprises entre 0,3 et 0,7 représentent des solutions factorielles acceptables.

* ¹⁷³ D. TCHINGNABE, Op.Cit., p.138.

* ¹⁷⁴ M. CARRICANO et F. POUJOL, Analyse de données avec SPSS, Edition PEARSON, Paris, 2009, p.51.

* ¹⁷⁵Idem, p.54.