Les facteurs de satisfaction et d'insatisfaction des agents de maà®trise dans les entreprises tchadiennes.

II. LES OUTILS STATISTIQUES UTILISËS ET ANALYSE DES DONNÉES

Après avoir présenté l'outil de traitement des données, nous présenterons ensuite les outils d'analyse des données en exposant brièvement leurs principes et leurs choix.

A-L'outil de traitement et analyses des données

a- L'outil de traitement

L'outil que nous avons utilisé pour le traitement des données est un logiciel d'analyse statistique des données, il s'agit du SPSS^27(*), plus précisément de la version 10.0 en Français. Ce logiciel nous a permis de codifier les variables de l'analyse, de les traiter à l'aide de tests statistiques et d'obtenir les résultats qu'il nous revenait d'interpréter.

B- Les méthodes d'analyse statistique

Pour le traitement de nos données, nous avons eu recours à de nombreuses méthodes d'analyse : le tri à plat (annexe 2), l'analyse en composantes principales (annexe 3), le khi-deux et la méthode des scores (annexe 4), et l'analyse discriminante (annexe5)et l'analyse de corrélation (annexe 6).

a- Le tri à plat

Le tri à plat ou test de dépouillement est un outil statistique qui permet d'obtenir un aperçu général de la répartition des individus par rapport aux différentes variables. Ainsi, il permet de connaître le nombre de répondants pour chaque modalité de variable en indiquant le pourcentage des répondants correspondant à cette variable (fréquence relative). De plus, grâce au tri à plat, il est possible de déceler d'éventuelles erreurs de codification, de transcription des codes du questionnaire ou des erreurs de saisie. Les résultats du tri à plat sont consignés dansl'annexe 2.

b- L'analyse en composantes principales

Afin de ressortir les dimensions cachées de chaque variable, nous allons réaliser une analyse factorielle en composante principale avec rotation VARIMAX sur les items de mesures du concept. Elle permet d'amplifier la variance de la variable expliquée, avec laquelle, la variable en question est plus corrélée et favorise ainsi l'interprétation de chaque composante principale. L'analyse factorielle est utilisée ici pour la raison que la mesure ou les indicateurs de nos variables sont pour l'essentiel mesurés par une échelle d'intervalles et sont donc quantitatives. Elle a pour but d'identifier les facteurs qui expliquent les corrélations entre un ensemble d'items ou traits caractéristiques d'une même variable ou alors entre plusieurs variables. Chaque composante principale résume un certain pourcentage de variance expliquée de l'ensemble des items. Il s'agit donc pour chaque dimension des concepts mobilisés dans cette étude de faire émerger les composantes principales appelées facteurs de l'ensemble des items qui les appréhendent.

Une fois les différentes composantes des variables déterminées par l'analyse factorielles, on s'interrogera sur la cohérence interne ou fidélité du groupe d'items formant chaque facette. En principe, la fidélité indique si les résultats sont stables indépendamment des conditions de mesures^28(*). Elle établit une certaine garantie de la justesse des résultats. Dans une approche quantitative, la fidélité constitue « le degré avec lequel les instruments de recherche utilisés mesurent de façon constante le construit étudié »^29(*). Elle indique donc l'homogénéité des items qui captent le construit.

Toute fois, il existe plusieurs techniques qui permettent de vérifier et d'améliorer la fiabilité. Dans notre travail, nous utiliserons la technique des formes alternatives (échelles multiples) pour tester la fiabilité des mesures. En respectant son principe, nous allons avoir recours au coefficient alpha (á) de Crombach qui est un bon indicateur de fidélité et jugé par certains auteurs comme étant « l'outil le plus performant » Ce coefficient varie entre 0 et 1. L'échelle aura ainsi une bonne consistance interne si alpha (á) est élevé (proche de 1).

S'agissant du critère d'extraction des composantes principales, nous allons retenir le critère KAISER qui consiste à ne retenir que les valeurs propres supérieures à 1. Ce qui permettra en définitive de ne retenir de façon exclusive, que les variables les plus corrélés à une composante principale.

En somme, l'ACP que nous effectuons nous a permis d'obtenir les dimensions cachées de certaines variables afin d'affiner nos analyses descriptives (voir annexe 3).

c- Le Khi-deux

Le khi-deux est un test de mesure d'association entre deux variables. C'est l'un des outils d'analyse le plus usuel dans les travaux en économie, qui vise à examiner l'écart entre deux variables donnés. Nous justifions d'abord le choix de cet outil et ensuite nous allons montrer son fonctionnement.

-La justification de l'utilisation du khi-deux

En partant des objectifs de recherche, il est possible de déterminer le type de traitement que demande une étude (Benjelloun, 1984). Le khi-deux est un test de mesure d'association entre deux variables. D'après Reuchlin^30(*), le test khi-deux est un test de comparaison des fréquences qui consiste à examiner l'écart entre deux variables données. La démarche d'analyse d'un tableau de contingence utilisant le test khi-deux obéit à la démarche suivante :

formulation de l'hypothèse symétrique d'indépendance dite hypothèse nulle ;

examen du résultat du test.

Pour procéder au choix du test d'association à l'aide de khi-deux, nous avons pris en considération deux éléments :

la nature et la vérification que nous voulons effectuer. Il s'agit essentiellement de caractériser la liaison entre la taille de l'entreprise, le secteur d'activité et les variables relatives aux facteurs de satisfaction et d'insatisfaction dans les entreprises.

la mesure des variables : nos variables explicatives sont mesurées par une échelle de type Likert à cinq points, nous procéderons par la méthode des scores^31(*) pour obtenir deux classes exclusives par rapport à chaque facteur (satisfaction et insatisfaction). Ainsi, nous pouvons caractériser la liaison qui existe entre ces variables et le degré de satisfaction des agents de maîtrise. Il convient aussi de mentionner que les items relatifs aux facteurs de satisfaction sont adaptés au test khi-deux, car mesurés par une échelle nominale à deux points.

Pour toutes ces raisons, l'utilisation du test khi-deux paraît par conséquent, la procédure la plus adaptée à notre étude. Comment fonctionne le khi-deux ?

-Le fonctionnement du Khi-deux

Le fonctionnement du khi-deux tire son importance de son usage courante à tester le niveau de liaison entre deux variables nominales ou ordinales. Dans la mesure où nous cherchons à caractériser la liaison entre les variables prises deux à deux, ce test sera utilisé comme test de dépendance. La démarche d'analyse d'un tableau de contingence utilisant le test du khi-deux obéit à la démarche suivante :

- Formulation de l'hypothèse symétrique d'indépendance dite nulle ;

- Examen du résultat du test.

Le tableau de contingence, la valeur du khi-deux, le degré de liberté et la probabilité de signification du khi-deux sont automatiquement donnés grâce au programme statistique utilisé. Ainsi, la dépendance ou l'indépendance entre deux variables est obtenue en comparant la valeur du khi-deux calculé et sa valeur théorique. La valeur du khi-deux théorique est lue à l'intersection du degré de liberté (nombre de colonnes - 1 x nombre de lignes - 1) et la valeur du risque d'erreur choisie (á) à partir d'un tableau de distribution du ÷². Ici, nous avons considéré á = 0,05 soit 5% de risque d'erreur. Alors :

- Si ÷²_{cal >}÷²_théo, l'hypothèse de dépendance entre les variables considérée est confirmée ;

- Si ÷²_{cal <}÷²_théo, on rejette l'hypothèse de dépendance entre les variables considérées.

La probabilité de signification (P) du khi-deux mesure l'intensité de dépendance entre les variables. Pour MOSCONOLA^32(*), lorsque :

- P < 0,05, il y'a dépendance significative ;

- 0,05 < P < 0,15, la dépendance est peu significative ;

- P > 0,15, alors il n'y a pas de dépendance significative

La valeur fournie par la probabilité de signification de déterminer si le ÷²_cal n'est pas due aux aléas de l'enquête.

Le test de khi-deux ne précise pas le degré de liaison entre les deux variables. La valeur du test dépend fortement du nombre des modalités des différentes variables, donc du degré de liberté. Les mesures d'association permettent à partir du ÷² de déterminer l'intensité de liaison.

- Le coefficient de contingence Phi permet de corriger le khi-deux en atténuant les effets de la taille du tableau ;

- Le coefficient de contingence C. Sa plus faible valeur est zéro et traduit tout comme le Phi, une absence totale d'association ; sa plus forte valeur dépend de la taille du tableau de contingence. Les résultats du test khi deux sont consignés dans l'annexe 4.

d- L'analyse discriminante

C'est un test qui permet de décrire et de classer des groupes d'individus caractérisés par un grand nombre de variables. Il permet d'arriver face à un double problème : d'une part, définir les variables qui permettent de mieux distinguer les différences entre deux groupes d'individus, et d'autre part, connaissant les caractéristiques d'un individu non classé, trouver son groupe d'appartenance. Nous allons dans un premier temps expliquer le choix de ce test et dans un second temps présenter son fonctionnement.

-La justification du choix de l'analyse discriminante

La justification de ce test est trait aux caractères des hypothèses qui résultent de l'analyse de la littérature. L'objectif de cette analyse est qu'après distinction des deux groupes d'individus, elle essayera de se dégager les facteurs qui caractérisent plus la discrimination des facteurs de satisfaction dans les entreprises tchadiennes. La deuxième justification se situe au niveau de nos variables explicatives qui sont appréhendées à l'aide de cinq modalités de réponse, ce qui lui confère une nature quantitative. De même pour les variables expliquées mesurées sur une échelle d'attitude de type Likert à 5 points. Dans cette analyse, la variable à expliquer est qualitative et les variables explicatives sont quantitatives.

-Les conditions d'utilisation de l'analyse discriminante

L'utilisation de l'analyse discriminante à un but descriptif lorsqu'il s'agit de déterminer si les groupes diffèrent sur l'ensemble des variables quantitatives et si le nombre de ce dernier peut être réduit. En analyse discriminante, le nombre des variables explicatives doit être très inférieur au nombre d'individus étudiés. Cette analyse est utilisée pour analyser si deux ou plusieurs groupes d'individus identifiés diffèrent en ce qui à trait à un ensemble de variables explicatives. Les buts de l'analyse discriminante sont :

- Tester s'il existe des différences significatives entre plusieurs groupes définis à partir d'un ensemble de variables quantitatives ;

- Déterminer les variables qui caractérisent le plus les différences ;

- Trouver les combinaisons linéaires des variables qui maximisent la séparation entre les différents groupes tout en gardant une homogénéité maximale au sein des groupes ;

- Déterminer la classe d'appartenance d'un individu non classé d'après la seule connaissance des variables explicatives.

Les classes considérées ici proviennent de l'analyse hiérarchique ascendante précédente (clu1_2).

Les résultats de l'analyse discriminante sont consignés dans l'annexe 5.

e- L'analyse de corrélation de Pearson

L'analyse de corrélation vise à s'assurer de l'existence d'une relation entre les concepts ou les variables en présence. C'est une analyse permettant de tester l'hypothèse nulle c'est-à-dire l'absence de corrélation (coefficient de corrélation = 0).

Nos variables quantitatives se prêtent à cette analyse pour valider les hypothèses en utilisant les corrélations de Pearson qui en quelque sorte permettent d'anticiper l'existence d'une relation entre les variables considérées (voir annexe 6).

Voyons maintenant ce qu'il en est de la description de l'échantillon et des fréquences de réponses.

* ²⁷Statistical Package for Social Science

* ²⁸ Evrard Y., 1995. Validité des mesures et fidélité en Marketing. Revue Française de Marketing, no 101, pp. 71-32.

* ²⁹ Perrien J., et ali. , Op. cite, p.173.

* ³⁰ Reuchlin R. (1976), «  Précis statistique », PUF, Paris.

* ³¹ C'est une méthode descriptive d'analyse qui permet de catégoriser les variables de la recherche, indique la répartition des observations et la forme de la courbe

* ³² MOSCONOLA J., (1990), « Enquête et analyse des données », Vuibert Gestion, Paris.