Résultats de l’analyse factorielle

Résultats de l’analyse factorielle

L’analyse de l’ACP

Dans ce cadre, nous avons réalisé une première ACP avec l’ensemble des items, ainsi que d’autres ACP pour chaque variable. Rappelons qu’analyser les résultats d’une ACP, consiste à répondre à trois questions 668:  Les données sont-elles factorisables ? Pour répondre à cette question, il convient, d’abords, d’observer la matrice des corrélations.

Si plusieurs variables sont corrélées (supérieur à 0.5), la factorisation est possible. Si non, la factorisation n’a pas de sens et n’est donc pas conseillée. Ensuite, il faut observer l’indice de KMO qui doit tendre vers « 1 », si n’est pas le cas, la factorisation n’est pas conseillée.

Enfin, il convient d’utiliser le test de sphéricité de Bartlett, si la signification (Sig) tend vers 0.000, c’est très significatif, si elle est inférieure à 0.05 c’est significatif, si elle se situe entre 0.05 et 0.10 c’est qu’elle est acceptable et au-dessus 0.10 elle est rejetée dans ce cas.  Combien de facteurs faudrait- il retenir ? Trois règles sont applicables : 1. La règle de Kaiser qui veut qu’on ne retienne que les facteurs aux valeurs propre supérieures à 1. 2.

On choisit le nombre d’axes en fonction de la restitution minimale d’informations que l’on souhaite (exemple le modèle restitue au moins 80% d’informations). Pour ces deux premières règles on examine le tableau de la variance total expliquée « Total Variance Explained ». 3. On observe le graphique des valeurs propres et on n’en retient que les valeurs qui se trouvent à gauche du point d’inflexion.

Graphiquement, on part des composants qui apportent le moins d’informations (qui se trouvent à droite), on relie par une droite les points presque alignés et on ne retient que les axes qui sont au-dessus de cette ligne. 668 Ludovie Le Moal (2002), L’analyse en Composante Principales, p4. 263 Chapitre V Analyse des résultats et discussion  Comment interpréter les résultats ? L’interprétation des résultats est la phase la plus délicate de l’analyse.

On donne un sens à un axe grâce à une recherche lexicale à partir des coordonnées des variables et des individus. Ce sont les éléments extrêmes qui concourent à l’élaboration des axes. Nous pouvons exclure certaines variables si la variance expliquée est trop faible. Pour choisir les variables à éliminer, il faut observer leur qualité de représentation : plus la valeur associée à la ligne « Extraction » est faible, moins la variable explique la variance.

L’analyse factorielle exploratoire de chaque variable

L’analyse factorielle exploratoire de la variable « Etat de santé »

L’échelle initiale de l’Etat de Santé est constituée de 12 items, Les répondants ont indiqué leur degré de satisfaction aux propositions, sur une échelle de Likert en 7 points. Nous avons effectué une analyse factorielle exploratoire en composantes principales. L’adéquation des données à analyser avec ce type d’analyse a été vérifiée :

le test de Bartlett est significatif (sig: 0,00) le test KMO est de 0,681, une valeur qui tend vers le 1, chose que nous pouvons visualiser dans le tableau suivant : Tableau 38. Indice KMO et test de Bartlett « état de santé » Indice KMO et test de Bartlett Indice de Kaiser-Meyer-Olkin pour la mesure de la qualité ,681 d’échantillonnage. Test de sphéricité de Bartlett Ddl 21 Khi-deux approx. 693,109 Signification ,000