Analyse de causalité modélisation des équations structurelles & test des hypothèses

Analyse de causalité modélisation des équations structurelles & test des hypothèses

Comme souligné à l‟introduction de ce chapitre, après la présentation des résultats de l‟analyse en composante principale (ACP) et l‟analyse factorielle confirmatoire (AFC) qui nous ont permis de vérifier la fiabilité et la validité des variables du modèle de mesure étudiées, nous présentons ci-dessous l‟analyse du modèle structurel par la modélisation des équations structurelles et en suite nous effectuons les tests d‟hypothèses de la recherche. Un modèle structurel a été lancé sur le logiciel STATISTICA.08 (Figure.4.7) pour vérifier la relation entre les éléments de la marque (Ajustement avec l‟événement, la notoriété de la marque sponsor et l‟image du sponsor) et les variables relationnelles (les attitudes, le degré d‟implication et les intentions d‟achats des supporteurs). causal. Après avoir vérifié la qualité d‟ajustement des modèles de mesures présenté dans la section précédente (section.2), le modèle structurel doit être testé pour pouvoir passer au test des différentes hypothèses de recherche. Dans ce qui suit nous présentons la fiabilité des A la lumière de cette analyse (voir tableau.4.27), toutes les contributions factorielles λ sont significatives entre les variables latentes (AJUST, NOTOR, IMAGE, ATTIT, IMPL ET INT) et leurs items et sont supérieures à 0,5 allons de 0.56 à 0.962. On remarque bien que les résultats des tests de Student sont largement supérieurs au seuil recommandé (supérieur à 1.96 ) et donc significatifs (p< 0.05), on constate aussi qu‟aucune valeur aberrante (supérieure à 2,58) n‟est notée parmi les résidus standardisés. Les erreurs de mesure sont aussi bonnes, car au regard du tableau 4.28, l‟ensemble des valeurs du test de Student T est apprécié (> 1.96 ) et l‟ensemble des valeurs relatives à l‟erreur de mesure Ei est satisfaisant, car globalement les valeurs sont inférieures à 0,5. Ainsi, les contributions des variables manifestes dans la mesure des variables latentes semblent être établies.

A cet effet, il est possible de passer à l‟étape suivante en examinant l‟ajustement du modèle structurel avec données recueillies en utilisons les indicateurs d‟ajustement absolus, incrémentaux et de parcimonie. correspondants. Les indicateurs présentés dans le tableau.4.29 témoignent de la qualité moyenne de l‟ajustement du modèle structurel aux données empiriques. En dépit d‟un GFI et AGFI qui sont inférieurs à 0.9 mais proches de ce seuil (0.763 et 0.732), la qualité d‟ajustement reste rassurante surtout si on prend en compte l‟Indice Gamma Population (IGP) qui dépasse le seuil acceptable de 0.8 (0.816) et Le RMSEA (0,0819) est presque conforme à la norme habituelle de 0,08. De même, Au regard du tableau.4.30, les indices d‟ajustements incrémentaux sont satisfaisants. Ainsi, le Normed Fit Index (0.86), Non-Normed Fit Index (0.88), Comparative Fit Index (0.888), Bollen’s Rho (0.851) et le Bollen’s Delta (0.888) montrent bien que la qualité du modèle testé est meilleure que le modèle saturé. Comme le présente le tableau.4.31 les indices de parcimonie semblent représenter un bon ajustement si on prend en compte James-Mulaik-Brett Parsimonious Fit Index qui est proche de 0.8 et le ratio Ch2 /DF (le Chi-deux rapporté aux degrés de liberté) est bon puisque sa valeur est comprise entre 2 et 5 (4.419) et donc respecte le seuil le plus strict.

L‟analyse des indices d’ajustement présentés précédemment, permet de conclure que globalement notre modèle structurel s’ajuste bien aux données empiriques. En effet, les résultats de notre étude empirique semblent moyennement satisfaisants. que des tests individuels des relations entre les constructions latentes (les causalités). Les coefficients de causalité sont illustrés dans le tableau4.32 et les erreurs de mesure dans le tableau.4.33, ce qui indique que toutes les hypothèses étaient acceptées sauf la dernière hypothèse H6. L‟ajustement de la marque MOBILIS avec l‟événement de la Can 2019 à montré un effet positif significatif direct sur l‟image de la marque (β1 = 0,627, p <0,05) et sur leurs attitudes envers le sponsor (β2 = 0,671, p <0,05), ce qui soutient H1 et H2. L’effet de la notoriété du sponsor (MOBILIS) sur les attitudes envers le sponsor était aussi significatif (β3 = 0,38, p< 0,05), par conséquent H3 été confirmé. Dans le même sens, l‟image du sponsor et les attitudes envers le sponsor (β4 = 0,689 et β5 = 0,223, p <0,05) ont montrés un effet positif significatif sur les intentions achats des supporteurs fournissant un soutien aux H4 et H5. En revanche, l‟implication le postulat d‟une variable dépendante (expliquée) Y1, celle-ci dépendra à des variables explicatives X1, X2, …., Xi. A travers les deux tableaux 4.32 et tableau.4.33, nous avons pu formuler les équations du modèle structurel présenté dans le tableau.4.34 qui représente trois équations structurelles des variables latentes IMAGE, ATTITUDE & INTENTION.