Analyse et validation des données

« Les méthodes d’équations structurelles diffèrent des autres méthodes d’analyse de données, elles utilisent comme matrice de données de départ soit la matrice de variance/covariance, soit celle des corrélations des variables, mais jamais celle des données brutes171. Dans ces méthodes en effet, l’attention ne porte pas fondamentalement sur les observations individuelles, mais sur les réseaux de relations entre les variables. Initialement, les modèles d’équations structurelles ont été conçus pour analyser des structures de covariances entre variables au point de les dénommer très longtemps « méthodes d’analyse des structures de covariances ». Le choix d’analyser une matrice de corrélations est approprié lorsqu’il s’agit de comparer directement les coefficients à l’intérieur d’un modèle. La matrice de corrélation est en quelque sorte une matrice de variances-covariances « standardisées » dans laquelle les variances –covariances sont divisées par le produit des écarts types. Dans ce cas les coefficients obtenus varient entre -1 et +1 et sont indépendantes de l’unité de mesure (DILLON, KUMAR et MULANI, 1987). »172 Donc, dans ce chapitre, nous allons valider les instruments de mesures et confirmer ou infirmer les hypothèses préétablies. Nous rendons compte aussi de l’influence des TIC sur l’enseignement. supérieur et 1014 enseignants de l’éducation nationale ont répondu aux questionnaires. Ce questionnaire comptait 85 items destinés à mesurer les dimensions énoncés précédemment. Le coefficient de cronbach a servi d’estimateur de cohérence interne. Pour chaque échelle, le coefficient obtenu est resté dans les normes acceptables pour une recherche exploratoire (>0.6)

« L’étape de l’AFC se veut une étape très importante puisqu’en s’appuyant sur les modèles d’équations structurelles, cette dernière permet de tester les structures théoriques établis préalablement. Ainsi afin de présenter une structure finale robuste et fiable, cette technique statistique réalisée à l’aide du logiciel STATISTICA 12.0, nous a fourni une série d’indicateurs permettant d’évaluer la qualité d’ajustement et la comparaison et l’appréciation des modèles structurelles. »174 « L’ajustement d’un modèle d’équations structurelles à ces données permet d’évaluer si le modèle proposé permet de bien expliquer les relations observées entre les variables. Si tel est le cas, il permet également d’évaluer la force des relations causales postulées par le modèle. Il ne permet cependant pas d’établir l’existence des relations causales mesurées.  L’AFC (analyse factorielle confirmatoire) permet de poursuivre l’analyse en posant des paramètres (loadings) égaux à 0, en permettant aux facteurs latents d’être corrélés, et en ajoutant au besoin des corrélations supplémentaires entres les erreurs résiduelles. Elle définit de façon détaillée les facteurs latents.  L’analyse confirmatoire peut chercher à déterminer si un ensemble de questions développées dans un certain contexte permet de bien caractériser un phénomène dans un contexte un peu différent. Il peut s’agir du suivi et de la validation de questionnaires mis sur pied dans la phase initiale d’un projet de recherche.

L’AFC,« L’analyse factorielle confirmatoire (AFC) est une technique statistique qui se situe évidemment dans le prolongement de l’analyse factorielle exploratoire En ce sens, les deux techniques partagent certaines ressemblances : elles s’intéressent toutes deux à la structure latente d’un ensemble de données complexes et permettent d’expliquer les corrélations observées entre des variables à l’aide d’un nombre réduit de variables latentes, communément appelées « facteurs ». Dans les deux cas on peut ajouter que la mise en évidence des facteurs latents constitue aussi une forme de réduction des données. Cependant, comme son nom le laisse clairement sous- entendre, l’analyse confirmatoire se situe à une étape beaucoup plus avancée dans la démarche de recherche que l’analyse exploratoire. L’analyse factorielle confirmatoire permet de mettre à l’épreuve des hypothèses spécifiques concernant l’influence des variables latentes sur les données recueillies; elle permet donc de tester un modèle théorique. En comparaison, l’analyse factorielle exploratoire est plutôt une procédure servant à faire émerger une théorie sans qu’il soit vraiment possible de la mettre à l’épreuve de façon convaincante. Un chercheur qui utiliserait l’analyse exploratoire pourrait facilement découvrir des dimensions dans ses données et réussir à les interpréter a posteriori dans un contexte théorique défendable. Le fait que les facteurs obtenus soient « interprétables » recèle une valeur théorique indéniable, mais cela ne constitue pas pour autant un test formel de la théorie. » 177 L’AFC : « L’analyse factorielle confirmatoire permet de déterminer non seulement le nombre de facteurs mais aussi l’appartenance de chaque variable à un ou plusieurs facteurs. Ce type d’analyse doit être utilisé avec précaution, lorsque l’on est vraiment à l’étape finale de la confirmation d’un modèle ».