Analyse factorielle confirmatoire

En vue d’établir la fiabilité et la validité de notre échelle finale, nous avons

effectué une analyse factorielle confirmatoire (AFC) avec AMOS 7, laquelle permettait de

tester objectivement la structure théorique de notre échelle de la générativité du

consommateur. En évaluant la qualité de l’adéquation du modèle aux données, nous

159

avons pu comparer différents modèles d’équations structurelles en vue d’établir une

structure finale robuste et fiable, c’est-à-dire celle qui s’ajustait le mieux aux données

observées.

L’évaluation de l’adéquation du modèle aux données a été effectuée à partir de

différents indices. À cet effet, nous avons d’abord observé les indices absolus les plus

fréquemment employés dans les études académiques avec le Khi-2

189

, le GFI (Goodness of

Fit Index), l’AGFI (Ajusted Goodness of Fit), le RMSEA (Root Mean Square Residual), le

SRMR (Standardized Root Mean Square Residual) et le RMR (Root Mean Sqare Residual).

Cette étape permettait de mesurer l’ajustement du modèle global avec les données

observées. Nous avons également sélectionné certains indices incrémentaux, lesquels

permettent d’évaluer la différence d’ajustement entre le modèle théorique et un modèle

indépendant (ou a priori) basé sur l’absence de corrélations entre l’ensemble des

variables. À cet effet, nous avons retenu le TLI (Tucker Lewis Index) et le CFI

(Comparative Fit Index). De plus, nous avons employé le Khi-2/degré de liberté, lequel

permet de déterminer le modèle le plus parcimonieux. Le tableau suivant indique les

critères d’évaluation des indices, comme suggérés par Roussel et al. (2002).

TABLEAU 37 : INDICES EMPLOYÉS POUR LA VALIDATION D’UN MODÈLE D’ÉQUATIONS STRUCTURELLES

Indices Critères d’évaluation

Indices absolus

Khi-2

GFI et AGFI

RMR et SRMR

RMSEA

Ne doit pas être significatif

> 0,90

< 0,08; idéalement < 0,05 ou le plus

proche de 0

< 0,08 et si possible < 0,05

189 L’interprétation du Khi-2 doit se faire prudemment, car la taille de l’échantillon peut influencer les

résultats (Fornell et Larcker 1981). Puisque la taille de notre échantillon est importante (443 répondants), nous avons surtout tenu compte des autres indices absolus.

160

Indices incrémentaux

TLI

CFI ^{> 0,90} > 0,90

Indice de parcimonie

Khi-2 / ddl ^{Entre 1 et 2, idéalement < 5}

En vue d’évaluer l’adéquation du modèle aux données, nous avons d’abord

employé la structure obtenue lors de l’analyse factorielle exploratoire, soit un modèle

bidimensionnel de deuxième ordre comprenant 11 items. Les résultats qui se

dégageaient à la suite de l’AFC effectuée sur le premier modèle (voir tableau 38) ont

montré que certains indices étaient peu satisfaisants, notamment avec un GFI de 0,847,

un RMSEA de 0,152 et un RMR de 0,152. Les analyses post-hoc ont suggéré d’éliminer

les items suivants :

№6 « Je prends bien soin de mes affaires afin que je puisse laisser un héritage à

mes descendants » (I take very good care of my belongings so I can leave behind a

legacy for my descendants);

№7 « Je veux laisser une trace durable et positive de mes activités d’achat » (I

want to leave a durable and positive trace of my buying activities);

№11 « Lorsque l’occasion se présente, je passe à des marques qui font des dons à

des causes qui profiteront aux prochaines générations » (When given a chance, I

switch to brands that donate to causes that benefit next generations).

Nous avons donc reconduit une analyse factorielle confirmatoire en éliminant ces

items. Toutefois, le modèle révisé à 8 items échouait à atteindre des indices

d’adéquation satisfaisants avec un RMSEA de 0,128. À nouveau, les analyses post-hoc

suggéraient de supprimer l’item №5 : « Mes achats peuvent faire une différence positive

dans la vie des générations futures » (My purchases can make a positive difference in the

161

lives of future generations). Ces résultats ont donc révélé que ni le modèle

bidimensionnel à 11 items (MCG), ni le modèle bidimensionnel à 8 items (ACP) que nous

avions obtenus dans la phase exploratoire ne présentaient des indices d’ajustement

jugés satisfaisants.

Les nouvelles analyses ont montré une amélioration significative de l’adéquation

des données au modèle bidimensionnel à 7 items. Malgré tout, les analyses post-hoc

conseillaient d’éliminer un item additionnel, l’item №4 : « J’aime à penser que lorsque je

mourrai, mes possessions vont demeurer utiles pour d’autres » (I like to think that when

I die, my possessions will still be useful to others). Quant au modèle bidimensionnel à 6

items, il présentait des indices d’ajustement aux données tout à fait acceptables avec un

rapport Khi-2/dl de 2,954 (proche de 2 et inférieur à 5), un GFI de 0,984, un RMR de

0,055, un SRMR de 0,025, un RMSEA de 0,066, un TLI de 0,985, ainsi qu’un CFI de 0,992.

Le Khi-2 du modèle bidimensionnel à 6 items était significatif au seuil 0,005, mais il faut

ici considérer la taille importante de l’échantillon (443 répondants).

De plus, aux fins de vérification, nous avons décidé d’effectuer une AFC sur notre

échelle de la générativité du consommateur en la considérant cette fois comme une

échelle unidimensionnelle, tout comme la Loyola Generativity Scale de McAdams et de St.

Aubin (1992). Comme indiqué au tableau 38 à la page suivante, aucun des indices du

modèle unidimensionnel n’atteignait un seuil satisfaisant. Ainsi, l’ensemble des résultats

a révélé que le modèle bidimensionnel à 6 items présentait la meilleure adéquation du

modèle aux données.

162

TABLEAU 38 : INDICES DES DIFFÉRENTS MODÈLES ANALYSÉS

Khi-2 Dl Khi-2/dl P GFI AGFI RMR SRMR RMSEA TLI CFI

Modèle bidimensionnel à 11 items

385,982 43 8,976 0,000 0,847 0,765 0,152 0,069 0,134 0,878 0,905

Modèle bidimensionnel à 8 items

155,705 19 8,195 0,000 0,908 0,826 0,100 0,048 0,128 0,924 0,948

Modèle bidimensionnel à 7 items

68,846 13 5,295 0,000 0,955 0,904 0,077 0,036 0,099 0,960 0,975

Modèle bidimensionnel à 6 items

23,633 8 2,954 0,003 0,984 0,958 0,055 0,025 0,066 0,985 0,992

Modèle unidimensionnel à 6 items

397,928 9 44,214 0,000 0,743 0,658 0,264 0,125 0,313 0,765 0,806

Toujours aux fins de vérification, nous avons ensuite effectué un test du Khi-2

entre le modèle bidimensionnel à 6 items et celui à 7 items. Les résultats ont indiqué que

les modèles étaient significativement différents l’un de l’autre (ρ = 0,017), révélant que

le modèle à 6 items présentait un meilleur ajustement aux données que le modèle à 7

items. De la même manière, nous avons également effectué un test du Khi-2 entre le

modèle bidimensionnel à 6 items et un modèle saturé. À nouveau, le modèle à 6 items

était significativement différent du modèle saturé (ρ = 0,001).

En fin de compte, l’ensemble des modifications effectuées a permis d’améliorer

l’adéquation des données au modèle. Nous avons donc pu établir un modèle

confirmatoire de la générativité du consommateur composé de 2 facteurs avec la

générativité communale (3 items) et la générativité agentique (3 items), tel qu’illustré

dans le tableau 39 et dans la figure 13 à la page suivante.

163

TABLEAU 39 : MODÈLE FINAL DE LA GÉNÉRATIVITÉ DU CONSOMMATEUR

Items Coefficients B

Générativité

communale ^{Générativité} agentique

I buy things that will positively affect the lives of

future generations. ^0,900

I buy things next generations will benefit from. 0,951

I like to feel that what I am buying will

contribute positively to the next generation. ^0,817

I am willing to pay a higher price for products if

it helps perpetuate my memory in the minds of

my children, or those of my family and friends.

0,787

I buy useful products to help make sure I am

remembered by those who survive me. ^0,892

The products I buy will have a long lasting

influence in the lives of future generations. ^0,867

164

Dans le document La générativité du consommateur. (Page 171-177)