Confirmation de la relation entre les variables

Tout modèle d’analyse testé se divise en deux parties ; le modèle de mesure et le modèle structurel. Le premier précise les indicateurs ou les items observés de chaque variable latente. Chaque indicateur est défini soit théoriquement par le concepteur du modèle d’analyse soit enreprenant la structure factorielle de l’échelle apparue à l’issue d’une analyse factorielle exploratoire de type ACP. Le second concerne les hypothèses de relations linéaires entre les variables latentes et correspond aux relations définies a priori par le concepteur du modèleDans le domaine du marketing, les travaux de Bagozzi (1980) ont contribué de façon déterminante à l’essor de ces méthodes dans les disciplines de gestion. L’usage des modèles d’équations structurelles se développe surtout depuis le début des années 1980 dans lesLes équations structurelles constituent alors, un outil très intéressant puisqu’il permetde vérifier un ensemble de relations. Il permet entre autres, la validation des modèles d’analyse factorielle en permettant la présence de variables complexes ou de facteurs de deuxième degré.Un aspect important dans cette phase de la procédure (la spécification des modèles de recherche), qui semble souvent négligée par les chercheurs selon plusieurs spécialistes de l’analyse des données, Diamantopoulos et Winklhofer (2001)642 ; Jarvis et al. – 2003)643, estl’identification du type de variables qui seront intégrées dans le réseau de relations à tester.

Le chercheur doit être particulièrement vigilant dans la distinction entre variables latentes formatives et réflexives.Dans l’approche traditionnelle Nunally(1978)647 ; Churchill (1979)648, le construit latent est considéré comme réflexif, Alain Lacroux (2009) 649 les indicateurs sont supposés représenter l’influence du construit latent sous-jacent ; la relation de causalité est donc supposée opérer du construit vers ses indicateurs.de l’unidimensionnalité des construits (par analyse factorielle) et d’épuration des échelles de mesure (visant à maximiser l’homogénéité des échelles) conduisent au rejet tous les indicateurs(pas toujours possible mais c’est l’idéal). On recueille les données en fonction du modèle après la collecte de données (avant analyse d’équations structurelles)variables quantitatives. Produire un résume d’information au sens de l’ACP c’est établir une similarité entre les individus, chercher des groupes d’individus homogènes, mettre en évidence une typologie d’individus Lebartl., Morineau A., Piron M. (2000)657 ; Saporta G.(2006) 658 ; Tenenhausm. (2006) 659. Quant aux variables c’est mettre en évidence des bilans de liaisons entre elles, moyennant des variables synthétiques et mettre en évidence une typologie de variables. L’ACP cherche d’une façon générale à établir des liaisons entre ces deux typologies, Ali Kouani, S. EL Jamali et M.Talbi (2007)660Cherche une solution à la covariance entre les variables mesurées. Elle tente d’expliquer seulement la variance qui est commune à au moins deux variables et présume que chaque variable possède aussi une variance unique représentant son apport propre.

Relation entre l’analyse factorielle et l’analyse en composantes principales

L’objectif principal des deux analyses consiste à regrouper les items mesurant le même concept de façon à ce qu’une addition de réponses à un ensemble d’items constitue une nouvelle mesure, composite, d’un concept. L’analyse en composantes principales (ACP) décompose la matrice de corrélation en tenant compte de l’ensemble de la variance des items. Elle en extrait un certain nombre de facteurs indépendants. Le but de l’analyse en composantes principales est d’expliquer le plus de variance possible avec un nombre de composantes le plus restreint possible. Après extraction, une part seulement de la variance totale est expliquée. Le mode d’extraction et de rotation permet de déterminer les sous-ensembles d’items qui sont plus fortement corrélés entre eux et qui peuvent donc constituer des mesures d’un nombre restreint de concepts. L’analyse factorielle (AF) fait la même chose que l’ACP mais tient compte uniquement de la variance commune à l’ensemble des items. Elle extrait des facteurs qui peuvent être indépendants ou corrélés entre eux. Son but est de reproduire le plus fidèlement possible la matrice de corrélation. Comme l’ACP, elle permet de déterminer des sous-ensembles plus fortement corrélés entre eux.de variables aux quelles facteurs elles devaient être liées. Lorsque la solution factorielle proposée par le logiciel (la solution statistique) confirme nos hypothèses de départ, c’est bon signe. Lorsque ce n’est pas le cas, ceci n’infirme pas nécessairement nos hypothèses, et ce parce qu’une multitude de solutions sont possibles pour chaque analyse et que le logiciel ne peut en proposer qu’une seule « la plus appropriée statistiquement ». Une autre solution, plus conforme à nos hypothèses, peut être presque aussi bonne que la solution proposée, chose qu’on ne peut vérifier.