III.4.2. Analyse factorielle en composante principale
(ACP)
Pour un bon traitement des données, nous avons fait
recours d'une part à l'analyse factorielle exploratoire et, d'autres
part à l'analyse de la variance (SPSS version 23.0). L'analyse
factorielle, spécifiquement l'Analyse à Composante Principale
(ACP) a permis de synthétiser le maximum d'informations possibles, tout
en conservant un maximum d'informations (Caricano et Poujol ; 2010) Ensuite, en
vue de purifier les données ; c'est notamment la qualité de
représentation, la valeur propre, le niveau de la variance
expliquée ainsi que le coefficient structurel.
51
valeurs propres ? 1. Etant donné la taille de
l'échantillon, le seuil du coefficient structurel qui sert à
déterminer si l'item satisfait au critère de validité
convergente, a été théoriquement fixé à 0,6
(Carricano et Poujol, 2008 cité par Midagu, 2013), pour permettre
à ce qu'un item ne soit fortement corrélé qu'à une
et une seule dimension. Pour cela, nous avons fait recours à la rotation
orthogonale du type varimax
Le processus de purification finale a offert un total de
variance expliquée de 70,355% (Annexe 2), supérieure à la
moyenne.
Nous avons en plus fait recours aux coefficients Alpha de
Cronbach pour évaluer la fiabilité des résultats,
c'est-à-dire évalué si plusieurs expériences (avec
le même instrument) conduisent aux mêmes résultats ou aux
résultats les plus similaires possibles (Cronbach, 1951). Il sied de
noter que plus ce coefficient tend vers 1, plus la cohérence interne de
l'échelle est forte.
En vue de vérifier notre deuxième
hypothèse, nous avons utilisé l'analyse de la variance (ANOVA).
Celle-ci consiste à réaliser des comparaisons des moyennes
atteintes par les différentes dimensions du construit, selon
différentes caractéristiques sociodémographiques.
52
| 
