III-3-7 Analyses statistiques
Objectifs des analyses
L'analyse des données a été
effectuée par les logiciels Epi Info 6® sous Windows pour les
analyse bivariées et SPSS 11,5® sous Windows pour les analyses
descriptives et multivariées. Aucun effectif théorique
n'était inférieur à 5%.
Les analyses avaient pour but de vérifier la
stabilité, la reproductibilité, l'exactitude et la qualité
métrologique des données. Après avoir «
nettoyé » les données c'est à dire vérifier
les données manquantes, les codes inexistants et les incohérences
logiques, nous avons testé la fiabilité des données pour
nous assurer que les mêmes règles de codification engendraient les
mêmes données à partir des mêmes textes. Par la
suite, les fichiers ont été séparés selon la ville
d'enquête, ce qui a abouti à la création de trois fichiers
séparés.
Toutes les analyses ont été
réalisées séparément pour chaque ville. Des
analyses descriptives préliminaires ont été
réalisées pour dresser un portrait de notre échantillon.
Par la suite, les analyses se sont déroulées en deux grandes
étapes.
III-3-8 Construction de l'échelle de mesure de la
stigmatisation La démarche de validation utilisée
La démarche de validation de la Stigmatisation a
été réalisée en quatre phases. Les trois
premières concernent le modèle de mesure, alors que la
quatrième concerne le modèle structurel.
1. la validation faciale (« face validity ») a
été effectuée par un groupe de discussion
réunissant les membres de l'équipe du projet et des
professionnels de santé oeuvrant dans le domaine du SIDA. Les
participants devaient associer chaque énoncé à une
variable latente. Lorsque des énoncés étaient
associés à plus d'une variable latente ou lorsque deux
participants associaient un énoncé à une variable latente
différente de celle prévue par le modèle de mesure, une
discussion en groupe s'en suivait afin de chercher à comprendre ce qui
justifierait une telle association. Les divergences étaient
résolues par consensus.
2. la validation de contenu a été
effectuée par le même groupe de discussion. Les participants
devaient vérifier si le concept de stigmatisation perçue
était totalement couvert par la variable latente proposée. C'est
aussi par consensus que les divergences ont été
arbitrées.
3. la validation de construit a été
vérifiée empiriquement lors du dépouillement du
questionnaire. L'analyse des données a été
effectuée par la méthode de l'Analyse factorielle
Confirmatoire.
4. la validation du modèle structurel a été
effectuée par la méthode des équations structurelles en
utilisant le logiciel LISREL.
Libellé des items de l'échelle de la
stigmatisation
L'échelle de mesure des attitudes comportait 3
catégories (pas d'accord, plus ou moins d'accord, d'accord).
L'échelle de stigmatisation initiale comprenait 13 items.
Les résultats d'analyses factorielles ont
été effectués à l'aide du logiciel SPSS v11, 5
anglais sous Windows et confirmé avec le logiciel LISREL 8,7 sous
windows.
Procédures
Les analyses ont été faites d'abord
séparément avec pour objectif de vérifier la
stabilité de la structure de l'échelle de stigmatisation des
PvVIH (13 items) qui optimise la comparaison entre les scores factoriels de
Bamako et ceux de Ouagadougou. Ensuite, un fichier unique a été
crée pour constituer une échelle unique.
Avant de procéder aux analyses, les items dont le sens
était négatif ont été recodés. Ainsi, les
réponses -, +/-, + deviennent +, +/-, -.
Description du processus d'élimination des items
Les analyses factorielles avaient pour objectif de
préciser la validité factorielle de l'échelle de la
stigmatisation finale ; la validité factorielle est une composante
importante de la validité de construit de l'instrument de mesure.
Le processus d'élimination des items relève de
deux ensembles de critères ; l'un statistique et l'autre conceptuel. De
ce fait, les analyses factorielles exploratoires nous ont permis de
déterminer un certain nombre de facteurs dont le sens relève
directement des concepts théoriques. De plus, certains indicateurs tels
que les communautés, les coefficients de régression, la
proportion de variance totale commune expliquée par un ou des facteurs
nous ont aidé à identifier les items à éliminer et
à réduire le nombre de dimensions.
A l'étape 1, les premières analyses
exploratoires ont été réalisées avec les 13 items
du questionnaire et à l'aide des corrélations de pearson. Les
méthodes d'extraction ont été réalisées
successivement avec PC (Principal Components), PAF (Principal Axis Factoring)
et ML (Maximum Likelihood) à l'aide du logiciel SPSS sans
spécification relative au nombre de facteurs (option défaut). Les
spécifications de rotation orthogonale (VARIMAX) et
47 oblique (OBLIMIN) ont été inclues.
Après examen des résultats produits, nous avons
éliminé les items dont les communautés étaient
très faibles, les coefficients de régression qui saturaient
plusieurs facteurs à la fois ou sur aucun facteur
interprétable.
A l'étape 2, seules les méthodes d'extraction
PAF et ML avec rotation (VARIMAX et OBLIMIN) ont été
réalisées. Plusieurs séries d'analyses portant sur 2, 3 et
4 facteurs ont été réalisées à partir des
corrélations de Pearson. Ces analyses ont confirmé la solution
à 2 facteurs.
A l'étape 3, nous nous sommes basés sur des
résultats obtenus aux étapes précédentes pour
réduire le nombre d'items à 12. De plus, la solution à 2
facteurs avec extraction PAF et rotation OBLIMIN a été retenue.
Il convient de rappeler que le coefficient de fidélité
(á de Cronbach) avec les 12 items a été
calculé pour chacune des villes. Le résultat était de
0,5481 à Bamako et 0,6222 à Ouagadougou. Nous avons jugé
cette différence négligeable et les coefficients acceptables pour
une étude pilote. Pour avoir une base de comparabilité, nous
avons crée un fichier unique avec les données des deux villes
pour notre analyse factorielle finale.
Le tableau 2 ci-dessous résume la solution finale
(analyse factorielle exploratoire) pour le regroupement des 12 items en 2
facteurs. Ce tableau contient aussi les coefficients
d'homogénéité interne pour chaque sous-ensemble d'items
regroupés en facteur ainsi que pour l'ensemble des 12 items retenus.
D'autres indices sont aussi présentés :
Le kaiser-Meyer-Oklin (KMO) : Plus
communément appelé le KMO, la mesure de kaiser-Meyer-Oklin est un
indice d'adéquation de la solution factorielle. Il
indique jusqu'à quel point des variables retenues sont un ensemble
cohérent et permet de constituer une ou des mesures adéquates de
concepts. Un KMO élevé témoigne de l'existence d'une
solution factorielle statistiquement acceptable qui représente les
relations entre les variables.
La proportion de variance expliquée :
Plus elle est élevée, plus la solution représente avec
qualité la composition des variables choisies.
La validation du modèle structurel
La validation du modèle structurel a été
effectuée par la méthode des équations structurelles et
elle a été réalisée en deux étapes :
· A l'aide du logiciel LISREL 8,7, nous avons
vérifié l'ajustement global du modèle au moyen d'un
certain nombre d'indices ;
· La vérification du pouvoir explicatif du
modèle, c'est-à-dire la part de la variance de la stigmatisation
qui est expliquée par le modèle. Ceci s'est vérifié
par le coefficient de corrélation des équations structurelles.
A chaque étape, la validation du modèle de mesure
s'est faite en vérifiant les éléments suivants :
- Les indices d'ajustement des données du modèle
(NFI, PNFI, CFI, SRMR, ÷2 sur ddl). - L'unidimensionnalité de
l'échelle.
- La contribution factorielle de chaque énoncé.
Celle-ci devait être au dessus de 0,7 et significative selon le test
« t ».
- Les indices de modification calculés par le test de
Wald. Les modifications suggérées étaient acceptées
si et seulement si elles étaient logiques sur le plan
théorique.
- La fidélité de chaque dimension
vérifiée à l'aide du á de Cronbach.
- la validité discriminante vérifiée au
moyen d'un test statistique (différence du Chi-deux) vérifiant si
l'ajustement du modèle proposé est meilleur que celui d'un
modèle hypothétique où les énoncés de deux
dimensions sont fondus dans une seule dimension.
Nous avons retenu quelques indices de LISREL qui montrent un bon
ajustement de notre outil de mesure.
Le Root Mean Square Error of Approximation (RMSEA) est de 0,
04. On soutient généralement qu'une valeur inférieure
à .05 indique un bon ajustement du modèle ; P-Value for Test of
Close Fit (RMSEA < 0.05) = 00,895 ce qui est supérieur au seuil de
signification donc notre construit s'ajuste bien ; Normed Fit Index (NFI) =
0,910. Puisque cette valeur obtenue se rapproche plus de 1, nous pouvons
conclure à un bon ajustement de notre échelle de mesure de la
stigmatisation ; enfin, notre Critical N (CN) = 459,171 .On convient souvent,
(Bollen, 1989) qu'une valeur de CN supérieur ou égale à
200 est un bon indicateur de l'ajustement du modèle.
| 
