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

III.1.4.5. Justification de l'analyse de la variance, la comparaison des moyennes et de la régression linéaire

Le choix d'une statistique n'est pas aléatoire où le chercheur adopte celle qu'il veut selon son flair. Tout découle du choix judicieux des Tests à effectuer.

Après avoir écrit les scores des dimensions de deux construits, le choix de test est édicté par la compréhension des éléments repris dans le tableau suivant :

Tableau n°3.1. Spécification du choix de test statistique178(*)

Type de mesure	Deux mesures avec échelle non métrique	Une mesure avec échelle non métrique et une mesure avec échelle métrique	Deux mesures avec échelle métrique
Type d'analyse	Tableau croisé	Comparaison de moyennes	Corrélation ou régression
Tests statistiques	Chi-Deux	T de Student (deux moyennes) F (Anova) (deux moyennes ou plus)	T (corrélation) ou F (régression)
Force de la relation	V de Cramer	N	r ou R

La lecture des éléments repris dans ce tableau renseigne qu'il existe trois types d'analyse de la relation qui existe entre les variables, ceux-ci se distinguant par le type de mesure de ces dernières. Trois types d'analyse pour trois types de mesure, à savoir le tableau croisé à deux mesure d'échelle non métrique (pour particulièrement deux variables toutes qualitatives), la comparaison de moyennes pour une mesure avec échelle non métrique et une mesure avec échelle métrique (lorsque la relation que l'on veut étudier porte sur deux variables, l'une étant quantitative, la variable dépendante et l'autre qualitative, la variable indépendante et enfin viennent la Corrélation ou la Régression (pour particulièrement deux variables toutes quantitatives).

Pour ce qui est dans ce travail, certes, les deux variables telles que calculées (scores moyens par construit) étant toutes deux quantitatives (métriques), la théorie suggère donc de faire recours à l'analyse soit par Corrélation ou par Régression avec respectivement de tests T de Student ou F de Fisher.Dans ce sens, la force ou l'intensité de la relation s'apprécie soit à la valeur du coefficient de corrélation (noté « r ») ou soit à la valeur du coefficient de détermination(noté « R² »).

La régression est l'influence d'une variable X sur une variable Y. Pour une régression il existe une asymétrie d'influence, c'est-à-dire X influence Y mais pas l'inverse ; et à ce sens, la variable Y dépend des valeurs prises par la variable X.

La corrélation, par contre, mesure l'influence réciproque et simultanée de deux variables X et Y ; et à ce niveau, il y a symétrique d'influence entre les variables, c'est la théorie de la réciprocité. Dans le premier, de régression, le chercheur doit spécifier et différencier la variable dépendante de la variable indépendante. Pour le deuxième cas, cette spécification est moins nécessaire car ces deux sont mutuellement influentes^179(*). En comparaison de ces deux concepts, la causalité suppose une relation des causes à effet et non seulement un lien statistique mais aussi plusieurs autres liens entre les variables (X est une conséquence directe de Y et vice versa).

L'analyse de variance entre dans le cadre général du modèle linéaire, où une variable quantitative (ou plusieurs) est expliquée par une variable qualitative (ou plusieurs).

Il existe un grand nombre de techniques d'analyse de variance. La technique de base est l'analyse au sens strict ou ANOVA (analysis of variance)^180(*).

Dans une ANOVA, on considère une variable dépendante. En plus, il existe d'autres développements de l'analyse de variance, notamment l'analyse de variance multivariée (MANOVA^181(*)), l'analyse de covariance (ANCOVA^182(*)) et l'analyse de covariance multivariée (MANCOVA^183(*)).

Concrètement, après avoir mesuré les deux principaux construits, comme stipuler au niveau des hypothèses de recherche, il fallait voir et examiner tour à tour la significativité des relations entre l'intention de switch et l'appréciation vis-à-vis des caractéristiques sociodémographiques des membres (ici retenues le genre, l'âge, l'état civil, le niveau d'étude, la profession et l'ancienneté).

En lecture des statistiques et éléments repris dans le tableau n°03, dans la fin d'examiner l'influence simultanée des variables entre elles, la démarche systématique suivante a été adoptée :

- L'effet modérateur des variables indépendantes métriques (l'âge, l'ancienneté) et d'une part l'appréciation des services et de l'autre l'intention de switch (considérées comme variables dépendantes) a été apprécié à l'aide d'une régression linéaire grâce au logiciel Eviews 10.

La lecture des éléments porte sur les coefficients et la valeur associée à la probabilité (comparée au seuil de 0,05 soit 5%). En ce sens, le lien est statistiquement significatif si la P-Value est inférieure à 0,05 soit 5% et non significative dans l'autre cas.

Les coefficients des variables indépendantes indiquent le sens de la relation que celles-ci entretiennent avec la variable dépendante. Les deux variables évoluent dans le même sens, lorsque le coefficient est positif. L'évolution en sens opposé se traduit par un coefficient négatif.

- Quant au lien entre les variables indépendantes non métriques (le genre, l'état civil, le niveau d'étude et la profession) et les variables dépendantes, on procède à la comparaison des moyennes.

La comparaison des moyennes part de l'hypothèse selon laquelle les moyennes des groupes sont homogènes vis-à-vis des variables étudiées.

Premier cas : si la variable indépendante non métrique est bidimensionnelle (à deux groupes), l'analyse appropriée est le Test T pour échantillons indépendants (pour le genre à deux groupes : masculin et féminin).

Deuxième cas : si la variable indépendante a plus de deux groupes (pour l'état civil à quatre groupes : célibataire, marié, séparé/divorcé et veuf/ve), on procède à l'ANOVA à un seul facteur tour à tour dans ce cas.

L'interprétation et la décision dépendent de la valeur du test préalable d'homogénéité des variances de Levene. Si la probabilité associée au test est inférieure à 0,05 soit 5%, il y a homogénéité des variances. Ceci renvoie à la lecture de la première ligne de seconde partie du tableau. Dans l'autre cas, lorsque la probabilité associée au test est supérieure à 0,05 soit 5%, il y a hétérogénéité des variances et la lecture du tableau et des significations se fondent sur la deuxième ligne.

* ¹⁷⁸ M. PLAISENT et al., Introduction à l'analyse des données de sondage avec SPSS, Édition Presse de l'Université du Québec, Québec, 2009, pp.106-107.

* ¹⁷⁹ JP. KISONIA, Économétrie, cours inédit, Faculté des sciences économiques et de gestion, ULPGL-Goma, 2018-2019.

* ¹⁸⁰ M. CARRICANO et F. POUJOL, Op.Cit., p.108.

* ¹⁸¹ MANOVA : développement d'analyse de variance multivariée, utilisé spécifiquement pour mettre en relation plusieurs variables dépendantes quantitatives et plusieurs variables indépendantes quantitatives.

* ¹⁸² ANCOVA : développement d'analyse de la covariance, utilisé particulièrement lors d'une étude de la significativité de la relation entre une variable dépendante quantitative et plusieurs variables indépendantes mixtes.

* ¹⁸³ MANCOVA : développement d'analyse de covariance multivariée, utilisé lors d'une relation entre plusieurs variables dépendantes quantitatives et plusieurs variables indépendantes mixtes.