Résultats de l’Analyse Factorielle Confirmatoire sous STASTICA

Résultats STASTICA. de l’Analyse Factorielle Confirmatoire sous STASTICA

Selon (Leclinche, 2016, p.266) dans le cadre de la construction et la validation de modèle théorique dans la méthode des équations structurelles, le test s‟effectue en deux étapes essentielles: 1): le test du modèle de mesure, 2): le test du modèle complet impliquant le test du modèle structurel. Pour le modèle de mesure,

l‟analyse factorielle confirmatoire (AFC) permettent de vérifier si les variables manifestes (items) mesurent bien la variable latente, et ainsi étudier la contribution factorielle de ses items dans la définition de cette dernière. L’analyse factorielle confirmatoire est l‟une des principales applications des modèles d’équations structurelles (Gardès, 2018).

Dans le cas des AFC, les MES sont ainsi utilisés pour valider le modèle de mesure auprès de l‟échelle purifiée précédemment lors d‟AFE (Leclinche,2016, p.266). Dans cette étape, nous réalisons les analyses factorielles confirmatoires afin de valider le modèle de mesure et vérifier si le modèle est bien ajusté aux données empiriques. En effet avant de procéder à l‟AFC il est primordial de vérifier la normalité des variables manifestes (items) pour choisir la méthode d‟estimation. 

Test de la normalité & choix de la méthode d’estimation

La fiabilité faciale Le premier niveau du processus de validation. Il s’agit de vérifier si les items reflètent la structure à mesurer. Ce type d‟évaluation de la fiabilité peut être confié aux experts du domaine d‟études.

En ce qui concerne nos recherches, l‟emprunt de certaines échelles existantes est encore incomplet. Dans notre conceptualisation, la recherche qualitative nous a été d‟une grande utilité. De même, l‟ensemble des items a été revu par trois chercheurs en Marketing pour nous fournir les éléments nécessaires pour évaluer cette fiabilité (Meradi, 2020, p.202). 

Test de la normalité des distributions des modèles de mesures

Une distribution normale a un biais de zéro, tandis qu’une distribution proche de la loi normale , aura un certain degré de biais (asymétrie) à droite ou à gauche. Afin de vérifier si la distribution des réponses sur les items du questionnaire suit une loi normale ou pas, il est fortement recommandé d‟étudier l‟analyse de symétrie (Skewness) et d‟aplatissement (Kurtosis).

Ses deux indices sont applicables aux variables quantitatives mesurées (variable manifeste) sur une échelle d‟intervalles ou de rapports. a- Indice de symétrie « Skewness » L’asymétrie fait référence à la distorsion ou à l’asymétrie dans une courbe en cloche symétrique, ou distribution normale, dans un ensemble de données (Wikipedia, consulté le  22.12.2020 à 11h50). Cet indice permet de vérifier si les réponses sur les items sont bien réparties autour de la moyenne.

Autrement dit, lorsque les valeurs de cet indice sont supérieures à zéro (positives ou si la courbe est décalée légèrement vers la droite de la loi normale) cela signifie que les réponses tendent vers les petites valeurs [Pas du tout d‟accord(1), moyennement pas d‟accord (2) et Pas d‟accord 3 sur l‟échelle de Likert] tandis que si les valeurs sont négatives, ces indices tendent vers les plus grandes valeurs (la courbe est décalée légèrement vers la gauche de la courbe de la loi normale) issues de l‟échelle de Likert (5, 6 et 7).