7.6 Résultats
7.6.2. Influence des caractéristiques liées à l’enseignant sur les attitudes (H 2 )
7.6.2.2 Analyse de régression pour l’échantillon francophone
L’analyse de régression avec élimination descendante a été menée de manière non hiérarchique avec un seul bloc de variables explicatives, sélectionnées à partir du cadre théorique et des analyses descriptives corrélationnelles menées précédemment. Ces variables sont : a) le sentiment de compétence perçu pour enseigner à des élèves avec des besoins éducatifs particuliers, b) l’expérience de l’intégration scolaire, c) la formation continue dans le domaine du handicap et/ou de l’intégration scolaire, d) l’expérience du contact avec des personnes en situation de handicap en dehors du contexte professionnel et e) le nombre d’années de pratique de l’enseignement.
Premièrement, les résultats indiquent les différentes étapes de l’analyse, ainsi que le modèle le plus précis pour les données de l’étude. Dans la première étape, toutes les variables sont insérées dans l’équation de régression (modèle 1) (tableaux 28 et 30). La variable formation continue, possédant le coefficient de corrélation partielle le plus petit (-.06) dans le premier modèle, a été éliminée lors de la seconde étape. En effet, la probabilité de sa valeur t est supérieure au critère d’élimination de p < .10 (p = .445). Ensuite, la variable années de pratique de l’enseignement, qui possède le coefficient de corrélation partielle le plus faible dans le second modèle (-.10), a été éliminée à son tour, sa valeur t n’étant, elle aussi, pas significative (p = .143). La diminution de la prédiction lors de chaque élimination est petite entre les différents modèles (variation du coefficient R2, voir tableau 28). Cela démontre que le modèle final avec les variables explicatives sentiment de compétence, expérience de
l’intégration et contact (modèle 3) explique la majeure partie de la proportion de variance des attitudes
(31%, R2 = .309), et ce, également dans les autres modèles (1 et 2). En effet, la conservation de la variable années de pratique dans le modèle 2, par exemple, n’explique qu’un pour cent supplémentaire, ce qui est insignifiant.
Tableau 28. Récapitulatif des modèles de régression (échantillon francophone, N = 162)
Modèle R R2 R2ajusté d’estimation Erreur type
Changement dans les statistiques
Durbin- Watson Variation R2 Variation de F ddl1 ddl2 Signif. variation de F 1 .566 .321 .299 .625 .321 14.733 5 156 .000 1.897 2 .564 .318 .301 .624 -.003 .585 1 156 .445 3 .556 .309 .296 .627 -.009 2.168 1 157 .143
Deuxièmement, la qualité des modèles est évaluée à l’aide d’une analyse de variance (ANOVA). Cette analyse permet de vérifier si les modèles avec prédicteurs expliquent significativement plus de variabilité qu’un modèle sans prédicteur. Bien que les variables explicatives ne contribuant pas de manière significative à la variance des attitudes aient été éliminées dans les différentes étapes de l’analyse, chaque modèle de régression est statistiquement significatif (p < .001) (tableau 29). L’hypothèse nulle stipulant que chaque variable explicative n’apporte pas de contribution au modèle
peut ainsi être rejetée à chaque étape. En ce sens, chaque prédicteur dans chacune des étapes de l’analyse contribue à la variance des attitudes. Néanmoins, le modèle 3 permet mieux que les modèles 1 et 2 de prédire le score à l’échelle d’attitudes, car sa valeur F (F = 23.53) est plus grande (Field, 2009). Le tableau 29 reproduit la source de variabilité (soit la variabilité qui peut être attribuée à la régression [intitulée Régression] et la variabilité observée qui n’est pas imputable à la régression [intitulée Résidu]), ainsi que les degrés de liberté et le ratio de F.
Tableau 29. Analyse de variance (ANOVA) pour le modèle de régression linéaire multiple avec élimination descendante (échantillon francophone, N = 162)
Modèle Source ddl Moyenne des carrés F
1 Régression 5 5.76 14.73*** Résidus 156 .39 2 Régression 4 7.14 18.32*** Résidus 157 .39 3 Régression 3 9.24 23.53*** Résidus 158 .39 *** p <.001
Les coefficients de régression standardisés (β) révèlent l’influence de chacune des variables explicatives prise une à une lorsque l’effet des autres variables est contrôlé (tableau 30). Le sentiment de compétence est le prédicteur le plus fort de la variance du score à l’échelle d’attitudes ORI (β = .46), suivi de l’expérience de l’intégration (β = .18) et du contact avec une personne en situation de handicap (β = .14). Plus les enseignants se sentent compétents pour enseigner aux élèves BEP, plus leurs attitudes sont positives. De même, s’ils ont expérimenté l’intégration scolaire ou s’ils ont été en contact avec une personne en situation de handicap en dehors de leur contexte professionnel, leurs attitudes vis-à-vis de l’intégration scolaire sont plus favorables. Ensemble, ces variables expliquent 31% de la variance du score à l’échelle d’attitudes ORI (tableau 28). Les variables années de pratique et formation continue ne contribuent pas de manière significative au modèle de prédiction des attitudes.
Enfin, l’analyse des intervalles de confiance (95%) indique que, pour les variables significatives, la valeur zéro ne se situe pas entre les deux intervalles (borne inférieure et supérieure). Le modèle est donc au plus près des données réelles de la population.
Premièrement, les hypothèses de base du modèle de régression linéaire ont été vérifiées et indiquent, premièrement, que l’hypothèse de l’absence de multicolinéarité est respectée. En effet, les variables explicatives ne sont pas corrélées de manière importante entre elles (r < .8), bien qu’une légère colinéarité entre ces variables soit constatée (r < .2). Les diagnostics de colinéarité confirment cette première observation. Ils révèlent que la majorité de la variance des différentes variables explicatives sature plusieurs dimensions (Field, 2009 ; Tabachnick & Fidell, 2007).
Tableau 30. Résultats de l’analyse de régression pour l’échantillon francophone (N = 162).
Modèle
Coefficients non standardisés
Coefficients standardisés
t
Statistiques de colinéarité
B Erreur standard (SE B) β Tolérance VIF
1 (Constante) 2.52 0.20 12.95
Sentiment compétence 0.341 0.05 .44 6.47*** .925 1.081
Expérience intégration 0.322 0.12 .19 2.75** .961 1.040
Contact 0.287 0.13 .15 2.23* .946 1.058
Années pratique ens. -0.006 0.00 -.10 -0.43 .977 1.024
Formation continue -0.106 0.14 -.05 -0.77 .964 1.037
2 (Constante) 2.53 0.19 13.02
Sentiment compétence 0.339 0.05 .44 6.45*** .927 1.079
Expérience intégration 0.315 0.12 .18 2.70** .966 1.035
Contact 0.272 0.13 .14 2.14* .968 1.033
Années pratique ens. -0.006 0.00 -.10 -1.47 .979 1.022
3 (Constante) 2.39 0.17 13.26
Sentiment compétence 0.349 0.05 .46 4.37*** .942 1.061
Expérience intégration 0.316 0.12 .18 -2.64** .966 1.035
Contact 0.256 0.13 .14 0.89* .975 1.026
*** p < .001 ; ** p < .01 ; * p < .05.
De plus, la tolérance et le facteur d’inflation de la variance (VIF) démontrent que le modèle et les coefficients de régression sont stables, leurs valeurs étant supérieures respectivement à .02 et inférieures à 3 (tolérance > .02 et VIF < 3, cf. tableau 30) (Howell, 1998, p. 603). Les valeurs VIF indiquent également une absence de colinéarité entre les prédicteurs (Field, 2009 ; Saporta, 2011). Deuxièmement, l’analyse des résidus à l’aide du diagnostic des observations indique que l’échantillon ne contient pas de point atypique (valeurs extrêmes) pouvant biaiser les coefficients de régression : seules sept observations (4.3%) présentent des résidus standardisés plus petits que -2 ou plus grands que 2 et une seule observation (0.6%) a une erreur résiduelle se situant au-delà de la limite de ± 2.5. Bien qu’aucun résidu ne dépasse la valeur de 3.29, les distances de Cook (< 1) et de Mahalanobis (< 15) ont été vérifiées pour l’ensemble des observations. Les résultats révèlent qu’aucune observation n’influence particulièrement le modèle de régression (Field, 2009 ; Tabachnick & Fidell, 2007). En conséquence, l’échantillon semble être conforme à ce qui est attendu pour produire un modèle suffisamment précis (Field, 2009). La qualité de l’ajustement des données est donc vérifiée.
Troisièmement, la valeur du test de Durbin-Watson (1.897) est proche de 2 et entre 1 et 3, ce qui confirme l’hypothèse d’indépendance des erreurs dans le modèle (tableau 28) (Field, 2009).
Quatrièmement, le nuage de points montre des points aléatoirement dispersés. Cela démontre que les hypothèses d’homoscédasticité (homogénéité des variances des résidus) et de linéarité sont satisfaites.
Enfin, les erreurs sont distribuées normalement. L’histogramme présente une courbe ressemblant à une distribution normale et le diagramme gaussien de régression montre que les résidus standardisés se situent le long de la ligne.
Les résultats de l’analyse de régression présentés précédemment pour l’échantillon francophone indiquent que le modèle semble être précis pour l’échantillon à l’étude et généralisable à la population cible, les hypothèses de base ayant été vérifiées (Field, 2009).