Méthodologie de test des effets directs

Méthodologie de test des effets directs

L’analyse de variance

Etant donné que dans notre recherche la variable explicative est qualitative (la publicité persuasive) et les variables à expliquer sont quantitatives (personnalité de la marque, attitude envers l’annonce, attitude envers la marque et intention d’intention d’achat), l’analyse de variance (en particulier les analyses multi-variées de variances (MANOVA)) est la mieux adaptée pour le test de notre hypothèse de recherche principale. D’après Evrard (2003)1, « l’analyse de variance peut être considérée sous deux angles différents : • L’approche traditionnelle consiste à lier l’analyse de variance à le démarche expérimentale pour analyser et interpréter les résultats des plans d’expérience ; 

• Une autre approche consiste, dans le contexte du modèle linéaire général, à considérer l’analyse de variance comme une extension de la régression au cas où les variables explicatives sont qualitatives (et plus spécifiquement nominales) ; c’est cette approche qui est privilégiée dans le contexte du dépouillement de données d’enquête. » Selon Hair et al., (1998)1 il faut respecter les conditions suivantes pour pouvoir appliquer l’analyse de variance : 

L’indépendance des observations à l’intérieur de groupes expérimentaux et entre les groupes expérimentaux

Notre méthode de recueil de donnée (le questionnaire face à face) nous permet d’éviter la contamination des réponses. 2. L’égalité des matrices de variances-covariances entre les groupes. Néanmoins le non-respect de cette condition n’a pas un effet considérable si les groupes sont approximativement de la même taille. C’est en fait le cas d e notre étude où les sous-échantillons sont de taille équivalente. En plus l’analyse de variance est considérée comme une analyse robuste. De nombreux auteurs tolèrent la violation de cette condition. 3. La normalité des variables à l’intérieur de chaque sous-échantillon Cette condition sera examinée par le biais des tests d’asymétrie (Skewness) et d’aplatissement (Kurtosis) dans la phase de préparation des données. 

Equations structurelles

La modélisation par équations structurelles est une méthode statistique qui fait partie des méthodes d’analyse multi-variée de la deuxième génération (ValetteFlorence, 1988)2, appelée « path anlysis » (Jöreskog et Sörbom, 1989) ou plus fréquemment « Modèle d’équations structurelles (SEM) » (Pedhazur et al., 19913).

Ces modèles analysent la relation linéaire causale entre plusieurs variables (dépendantes et indépendantes) dites latentes simultanément (Roussel et al., 2002)1. En effet, plusieurs chercheurs (notamment dans le domaine du marketing ont souligné l’apport de cette technique statistique par rapport aux techniques classiques (Roussel et al., 20022Fornell et Lacker, 19813). Elle permet de tester des relations compliquées entre les variables (Ambroise, 2005)4 tel que l’examen de variables médiatrices (Roussel et al., 20025). Les coefficients de régression estimés avec cette méthode sont plus précis du fait qu’elle prend en compte toutes les erreurs de mesure du modèle (Hair et al., 1998)6