Chapitre 4 : Création et validation de l’échelle de la générativité du consommateur
4.1 Construction de l’échelle de mesure
4.1.6 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