Validation de nos échelles de mesure

La purification des instruments de mesure.

En premier lieu, il importe donc de s’assurer de la fiabilité des échelles de mesure de chaque construit. La fiabilité est la capacité de l’instrument de mesure (l’échelle) de reproduire le même résultat dans des contextes différents. Une échelle de mesure d’une variable est donc qualifiée de fiable lorsqu’elle parvient à dégager les mêmes résultats quels que soient le moment pendant lequel et l’endroit où elle est utilisée. Les techniques d’évaluation de cette fiabilité sont le coefficient alpha de Cronbach.
Bien qu’il existe d’autres techniques d’évaluations de la fiabilité des instruments de mesure (la technique des deux moitiés, la corrélation inter-items,…), le critère que nous prendrons en compte sera l’Alpha de Cronbach qui sert à évaluer les corrélations entre les énoncés d’une échelle qui mesure un concept. Cet indicateur qui est le plus couramment utilisé dans les évaluations des propriétés psychométriques des échelles, permet dans le cadre d’une étude en coupe instantanée d’estimer le degré de cohérence interne d’une échelle multiple.
La pratique consiste à réduire le nombre d’items initiaux contenus dans l’échelle en fonction de la valeur du coefficient Alpha, afin d’augmenter la fiabilité de la mesure du construit.
-Quand les items ont un Alpha proche de 1, l’échelle a une bonne cohérence interne, les questions censées mesurer la même chose, mesurent effectivement la même chose.
-Quand les questions ou items ont un Alpha proche de 0, la cohérence interne de l’échelle est faible, et les questions mesurent des phénomènes différents.
On considère que pour une étude exploratoire, l’Alpha est acceptable s’il est compris entre 0.6 et 0.8 (entre 0,5 et 0 ,8 dans plusieurs recherches), et pour une étude confirmatoire une valeur supérieure à 0.8 est recommandée.
Afin de réduire la longueur du questionnaire qui sera administré en face à face, il nous parait concevable de conserver uniquement les items qui contribuent à l’échelle globale dans des proportions importantes. Nous choisirons ainsi de réduire le nombre d’items si la valeur de l’indice Alpha n’en est pas significativement affectée.

L’analyse factorielle exploratoire

Dans une démarche hypothético-déductive, l’analyse exploratoire n’est pas obligatoire car elle suppose que les variables de la recherche reposent sur un corpus théorique et empirique rendant inutile leur opérationnalisation (Chauvet, 2003). Cependant, notre souci de conceptualiser nos échelles de mesure et l’insuffisance de l’opérationnalisation antérieure de certaines variables de notre modèle conceptuel, voire l’absence de cette opérationnalisation pour d’autres variables justifient le recours à cette analyse.
L’analyse factorielle consiste à résumer l’information contenue dans un tableau de chiffres individus / variables en remplaçant les variables initiales par un nombre plus petit de variables composites ou facteurs. Les analyses factorielles regroupent différentes techniques statistiques qui permettent d’examiner la structure interne d’un grand nombre de variables et / ou d’observations, afin de les remplacer par un petit nombre de facteurs ou dimensions les caractérisant. Ce résumé de données initiales pourra alors être utilisé directement pour faciliter une interprétation portant sur un nombre plus restreint de variables.
Nous avons choisi l’analyse en composantes principale (ACP) pour conduire notre analyse factorielle et nous l’avons effectué moyennant le logiciel SPSS (version). L’ACP prend en compte la variance totale, et les facteurs obtenus sont exprimés comme des combinaisons linéaires exactes des variables observées. L’ACP cherche une solution unique à l’ensemble de la variance des variables mesurées. Quel que soit la matrice des corrélations, il y a toujours une solution en ACP. Cette ACP a consisté à agréger les items de chaque variable latente de notre modèle conceptuel en un nombre de facteurs restituant le maximum d’informations sur cette variable. L’application de cette ACP suit une certaine logique que nous présentons ci-dessous.
 Conditions d’application
L’ACP sur nos données de départ n’est autorisé que lorsque ces données sont factorisables. Pour cette raison, il est indispensable d’effectuer au préalable les tests de Kaiser, Meyer et Olkin (KMO) et de sphéricité de Bartlett (Evrard et al., 2003). L’ACP est alors acceptée lorsque ces deux tests sont significatifs.
-Le test de KMO : Le test de KMO permet d’examiner la faisabilité d’une analyse factorielle et atteste l’existence de corrélations significatives entre certaines variables. Il indique jusqu’à quel point l’ensemble des variables retenues est un ensemble cohérent et permet de constituer une ou des mesures adéquates de concepts. Pour être jugée significative, la valeur de ce test doit être supérieure à 0,5. Un KMO de 0,90 est excellent. Il est méritoire s’il atteint 0,80, moyen s’il atteint 0,70, médiocre s’il atteint 0,60, faible s’il atteint 0,50 et inacceptable s’il est inférieur à 0,50.
-Le test de sphéricité de Bartlett : Le test de Barlett vérifie l’hypothèse nulle selon laquelle toutes les corrélations seraient égales à zéro. On doit tenter de rejeter l’hypothèse nulle pour considérer que le test est significatif. Dans ce cas, l’analyse factorielle peut être réalisée. Pour être jugé indicatif, le seuil de signification ou de risque obtenu de ce test doit être inférieur à 0,05.
 Extraction des axes
Le recours à l’ACP doit être justifié par l’extraction, à partir des données de départ, d’un nombre limité de facteurs ou axes qui reproduisent l’essentiel de l’information contenue dans ces données. Parmi les différentes méthodes d’extraction des axes (le test de Cattell, la restitution minimum, le critère de Kaiser, le test MAP de Velicer, etc.) nous adoptons la règle de Kaiser qui suggère de retenir uniquement les axes dont les valeurs propres sont supérieures à 1. Les items qui ont une contribution factorielle faible, c’est-à-dire inférieure à 0,5, sont supprimés de l’analyse (Evrard et al, 2003), et une autre ACP est effectuée.
Après avoir déterminé, selon le critère de Kaiser, le nombre d’axes à retenir, l’ACP montre que certains items contribuent davantage à la formation d’un axe qu’à celle d’un autre. Toutefois, il se peut que certains items contribuent, avec un poids factoriel élevé, à plusieurs axes. Pour résoudre ce problème (quel item contribue davantage à l’explication de quel axe), il faut effectuer une rotation (généralement Varimax ou Oblimin) en vue de simplifier la complexité factorielle de certaines variables vu que cette rotation a pour objectif d’accroître la corrélation des items les plus corrélés et de diminuer celle des items les moins corrélés (Galan, 2003). La rotation va nous permettre de faciliter l’interprétation des facteurs en maximisant les saturations les plus fortes et en minimisant les plus faibles de sorte que chaque facteur apparaisse déterminé par un ensemble restreint et unique de variables.
Comme le montre le tableau 45, le choix de la nature des rotations à effectuer est guidé par la nature conceptuelle de l’échelle, le nombre d’axes extraits et la force de corrélation entre les facteurs.
 Interprétation de la structure factorielle
Après avoir effectué la rotation, il convient de procéder à l’interprétation des axes retenus. Cette interprétation est établie en fonction des corrélations entre les variables et un axe retenu. D’après les recommandations méthodologiques, les items représentatifs d’un axe sont ceux dont la contribution factorielle à cet axe est égale ou supérieure à 0,5 (Evrard et al., 2003).
Le résultat de cette ACP nous permet alors de déterminer la structure de l’échelle de mesure de chaque variable latente. L’intitulé de chaque dimension retenue est défini après avoir confronté les résultats obtenus avec la littérature.

L’analyse confirmatoire : Les étapes de la mise en œuvre d’une analyse factorielle confirmatoire.

Après avoir déterminé la structure de chaque échelle, l’étape suivante consiste à confirmer cette structure. Le prolongement de l’analyse exploratoire par une analyse confirmatoire est de nature à vérifier la structure de ces échelles et d’en étudier davantage la fiabilité et la validité. En effet si l’analyse factorielle exploratoire nous a permis de définir à posteriori des relations théoriques entre les variables latentes et leurs mesures, l’analyse factorielle confirmatoire va nous permettre de montrer si les relations théoriques spécifiées traduisent une bonne adéquation avec les données empiriques.
La combinaison de ces deux méthodes d’analyse est devenue la règle en matière de construction et de validation d’échelles de mesures (Roussel, 1996 ; Sirieix, 1996). Elle est également une solution pour éliminer « le biais introduit par l’instrument de mesure, soit au niveau de son application (fiabilité), soit au niveau de sa conception (validité). » (Évrard et al., 2003, p. 288).
Il existe plusieurs méthodes statistiques de confirmation des échelles de mesure d’une variable latente. Parmi ces méthodes, l’analyse factorielle confirmatoire (AFC) représente la technique la plus utilisée (Roussel et al., 2002). Cette analyse consiste à définir, contrairement à l’ACP, une structure factorielle a priori, qu’elle tente ensuite de confirmer. Par conséquent, la définition des caractéristiques (les items ou les dimensions) d’un construit théorique doit être appuyée soit sur une théorie ou un ensemble de théories, soit sur des travaux empiriques. C’est pour cette raison que nous considérons, dans le cadre de cette recherche, l’AFC comme le prolongement logique de l’ACP. En effet, l’AFC, que nous lancerons grâce au logiciel Lisrel 8.30, va nous permettre de vérifier (confirmer) si la structure factorielle que nous avons retenue à partir de l’ACP pour chacune de nos variables est représentée par les observations. Par conséquent, l’AFC permet de construire une échelle de mesure pour chaque variable latente. Cette échelle (ou modèle) de mesure est ensuite évaluée à travers plusieurs indices (Roussel et al., 2002) qui servent à apprécier la qualité d’ajustement du modèle de mesure aux données empiriques.