Analyse de données

3.2.4.1. Méthode d’équations structurelles

Pour tester notre cadre théorique, la méthode d’équations structurelles est utilisée, à l’aide du logiciel EQS 6.1. Qualifié de méthode d’analyse multivariée de la deuxième génération, le modèle d’équations structurelles examine la correspondance entre le modèle conceptuel posé a

priori et les données collectées (ou observées). En effet, la méthode d’équations structurelles

s’inscrit dans une démarche confirmatoire, dans un sens où elle ne peut être utilisée dans des recherches exploratoires où l’on cherche à découvrir d’autres relations non étudiées et validées dans la littérature (Roussel et al., 2002).

À cet égard, le rôle de cette méthode est d’aider le chercheur à tester et valider un modèle théorique. Conséquemment, avant de recourir à ce type de méthode, il est indispensable de concevoir un cadre théorique. L’élaboration de ce dernier est un préalable à toute analyse statistique par méthode d’équations structurelles (Roussel et al., 2002). Dans cette perspective, notons que dans le cadre de notre étude, chaque relation entre variables est soutenue par une hypothèse qui s’appuie sur un modèle théorique ou des observations empiriques.

L’apport des méthodes d’équations structurelles, au regard des démarches classiques telles que la régression, est de traiter des relations multiples et simultanées de plusieurs relations de dépendance interreliées dans une même analyse et d’offrir un outil adapté pour une démarche plus analytique (Roussel et al., 2002). Entre autres, la méthode d’équations structurelles permet l’incorporation d’erreurs de mesure directement dans le processus d’estimation (Bagozzi, 1994; Roussel et al., 2002), d’autant plus que cette méthode nous permet de tester des relations linéaires entre plusieurs variables latentes1, permettant ainsi l’estimation des rapports de dépendance entre elles (Bagozzi, 1994).

64

Cette méthode requiert donc, en premier lieu, l’élaboration d’un modèle théorique, tout en posant les hypothèses de recherche concernant les relations entre les variables endogènes et exogènes. En second lieu vient l’étape de la vérification du modèle théorique qui se fait en deux phases, soit : l’évaluation de la qualité de l’ajustement du modèle théorique aux données empiriques et la vérification des hypothèses de recherche.

3.2.4.2. Test du modèle théorique et vérification des hypothèses de la recherche

L’évaluation de l’ajustement du modèle théorique au modèle observé est faite selon trois séquences au cours desquelles l’ajustement est évalué successivement pour : le modèle global, le modèle de mesure et le modèle structurel.

Pour tester le cadre théorique, la méthode d’équations structurelles a été utilisée à l’aide du logiciel EQS 6.1 (Bentler, 1995). La méthode du maximum de vraisemblance a été appliquée pour estimer le modèle alors que les statistiques corrigées ont été utilisées pour pallier la non-normalité des données. L’évaluation de l’ajustement du modèle global s’est faite sur la base de l’indice (S- B2) du Non-Normed Fit Index (NFI), du Comparative Fit Index (CFI), du Incremental Fit Index (IFI), du McDonald Fit Index (MFI), du RMSEA et du Root Mean-Square Residual (RMSR). On parle d’un bon ajustement du modèle théorique aux données observées lorsque les valeurs des indicateurs NFI, NNFI, CFI, IFI et MFI sont supérieures à 0.90, les indicateurs RMR et RMSEA sont inférieurs à 0.08 et le S-B2 est non significatif. Pour tous ces indicateurs, il existe des valeurs critiques auxquelles seront comparées les valeurs obtenues. À titre d’illustration, une faible valeur du khi-deux (non significative) veut dire que le modèle théorique est en adéquation avec le modèle observé (les données empiriques). Lorsque cette valeur (χ²) tend vers 0, nous considérons que le modèle théorique et empirique est en parfaite adéquation. Aussi, il est à noter qu’un bon ajustement du modèle théorique aux données observées existe lorsque les valeurs des indicateurs NNFI, CFI, IFI et MFI sont supérieures à 0.90.

65 3.2.4.3. Validation des mesures

Parallèlement à l’ajustement du modèle global, nous avons aussi vérifié la qualité de l’ajustement du modèle de mesure qui se fait par : la fiabilité de chaque variable latente; la validité de chaque construit (variable latente); et le degré d’ajustement du modèle de mesure. Ces étapes représentent exactement le processus poursuivi dans une analyse factorielle confirmatoire.

Il importe de noter que, parfois, l’alpha de Cronbach est peu adapté aux équations structurelles. Nous retrouvons le coefficient de cohérence interne (Rhô de Jöreskog) qui intègre de façon directe les termes de l’erreur. Ce coefficient suit les mêmes critères que pour l’alpha de Cronbach. La fiabilité du construit est considérée bonne lorsque le coefficient Rhô est supérieur à 0.7 (Roussel et al., 2002).

La validité interne des variables latentes renvoie à l’ajustement entre ce que les données devraient mesurer (variables latentes) et ce qu’elles mesurent réellement. Nous distinguons la validité convergente et la validité discriminante (Roussel et al., 2002). La validité convergente est la capacité d’une mesure à fournir des résultats proches de ceux d’autres mesures du même construit. La validité discriminante est la capacité d’une mesure à fournir des résultats différents de ceux de mesures des autres construits (Roussel et al., 2002).

3.2.4.4. Vérification des hypothèses de recherche (l’ajustement du modèle structurel)

Une fois que le modèle global et le modèle de mesure ont été examinés, il devient possible d’évaluer l’ajustement du modèle structurel. Il s’agit de vérifier que les relations entre les variables latentes sont statistiquement significatives. Une relation entre deux variables est considérée significative lorsque la valeur (p) est inférieure au seuil de signification (0.05). Les sorties du logiciel EQS rapportent seulement les valeurs du (t) de Student. Le seuil de signification p= 0.05 correspond à une valeur (t) de Student égale à 1.96. Pour un seuil de significativité, la valeur (t)

66

doit être supérieure à 1.96. Nous concluons alors à une relation significative entre les deux variables lorsque la (t)>1.96 (ce qui équivaut à p< 0.05).

Une analyse multigroupe a été réalisée afin d’évaluer l’effet de la taille de l’entreprise sur les relations entre les risques psychosociaux, le présentéisme et la santé, mentale et physique. 3.2.4.5. Analyses de variance

Une analyse de variance a été réalisée afin d’évaluer si l’exposition aux risques psychosociaux dépend de la taille de l’entreprise. Le test de différence des moyennes est réalisé par la méthode Scheffe, qui est un test post-hoc permettant de détecter des différences significatives sur les moyennes des risques psychosociaux entre les différentes tailles d’entreprise.