Démarche statistique de l’étude quantitative

Dans cette section, la démarche statistique pour analyser les données empiriques sera exposée et discutée, en illustrant les approches d'analyses des données. Puisque cette recherche est basée sur l'approche quantitative, la recherche d’une part, utilise logiciel d’analyse des données statistique pour les sciences sociales (SPSS) pour analyser les données collectés lors de cette étude, d’autre part, elle utilise la modélisation par équation structurelle afin de testé les différentes relations entre l’ensemble des variables du modèle de recherche.

2.1. Choix de la méthode d’analyse appropriée

2.1.1. Analyse factorielle exploratoire

Afin de vérifier la qualité des construits de modèle conceptuel développé, et validé empiriquement les échelles de mesures des différentes variables, nous avons utilisé l’analyse factorielle de première génération.

L'analyse factorielle est utilisée comme technique de réduction des données, qui prend un grand ensemble de données composés de plusieurs variables et réduit ou résume ces données en utilisant un plus petit ensemble de composants (Akbulu et al., 2007). Du point de vue de la modélisation d'équations structurelles (SEM), selon Raykov et Marcoulides (2006), il s'agit d'une approche de modélisation pour étudier les construits latents en utilisant plusieurs indicateurs observables et directement mesurables. L'analyse factorielle exploratoire a été largement utilisée par les chercheurs comme outil pour déterminer le nombre de dimensions sous-jacentes dans un ensemble de données et pour faciliter les interprétations (Brkich et al., 2002). Il est plus facile de se concentrer sur certains variables clés plutôt que d'avoir à considérer trop de variables qui peuvent être inutiles, de plus, l'analyse factorielle est donc utile pour placer les variables dans des catégories significatives (Yong et Pearce, 2013).

L'analyse factorielle, en revanche, est considérée comme exploratoire lorsqu'il s'agit de déterminer combien de construits latents sont nécessaires pour expliquer les relations entre un ensemble donné d'indicateurs observés.

2.1.2. Modélisation par équation structurelle

Pour comprendre les relations plus complexes associées aux orientations actuelles de la recherche dans les disciplines des sciences sociales, il est de plus en plus nécessaire d'appliquer des méthodes d'analyse de données multi-variées de deuxième génération, qui sont plus sophistiquées (Vinzi et al., 2010; Hair et al., 2014). En fait, effectuer la technique de modélisation par équation structurelle (SEM) pour l'évaluation des paramètres et les tests d'hypothèse pour le modèle causal (Hair et al., 2011) est un avantage par rapport à la technique de première génération (analyse factorielle, analyse en composantes principales et analyse de régression) (Chin, 1998). Par conséquent, la SEM est devenu l'outil analytique dominant pour tester les modèles de relations de cause à effet avec des variables latentes.

La SEM est constituée de deux approches, à savoir SEM basée sur la covariance (CB-SEM) et SEM basée sur la variance ou SEM des moindres carrés partiels (PLS-SEM; également appelée modélisation de chemin PLS) (Hair et al. 2014). CB-SEM est l'une des techniques de modélisation du maximum de vraisemblance basées sur des facteurs (par exemple, LISREL, AMOS, etc.), repose sur l'ajustement global du modèle proposé par des tests de qualité d'ajustement, et est convient aux études de confirmation (Wong, 2013). En revanche, PLS-SEM est l'une des techniques de modélisation de régression linéaire multiple (par exemple, SmartPLS, WarpPLS, PLS Graph), repose sur la maximisation de la variance expliquée des variables dépendantes lors de l'examen du modèle et convient aux études exploratoires (Ali et al., 2018).

PLS-SEM a ses caractéristiques distinctes par rapport à CB-SEM. PLS est une approche de modélisation souple de SEM qui n’a pas d'exigences concernant les hypothèses restrictives (Vinzi et al., 2010), cette approche devient une bonne alternative au CB-SEM lorsque les situations suivantes sont rencontrées: des échelles de mesure et des hypothèses qui ne sont pas solides, la taille de l'échantillon est petite, les applications ont peu de théorie disponible, la spécification correcte du modèle ne peut pas être garantie (Vinzi et al., 2010, Wong, 2013). Par contre, CB-SEM est utilisé, en particulier, lorsque la taille de l'échantillon est grande, les données sont normalement distribué, et surtout, le modèle est correctement spécifié. Autrement dit, les variables appropriées sont choisies et liées ensemble dans le processus de conversion d'une théorie en un modèle d'équation structurelle (Wong, 2013).

La sélection d'une méthode d’analyse statistique appropriée reste une décision difficile pour les chercheurs en sciences sociales. Le PLS, connu sous le nom de SEM basé sur la variance, offre d'énormes avantages dans les études de marketing et de comportement des consommateurs (Henseler, 2010; Hair et al., 2011), et aide à comprendre les relations entre les ensembles de variables observées (Hair et al., 2014).

De ce fait, l'approche de modélisation du chemin PLS est une méthode pour les modèles de relation de cause à effet complexes (Hair et al., 2011) impliquant plusieurs constructions latentes qui sont indirectement mesurées par plusieurs indicateurs qui ne convient pas aux tests de confirmation (Westland, 2007).

Afin de répondre à diverses questions, évaluer la fiabilité et la validité des mesures de manière empirique, tester les relations et vérifier les hypothèses de recherche, notre étude considère PLS-SEM au lieu de CB-SEM comme une technique plus appropriée pour les raisons suivantes: (1) la taille de l'échantillon pour la présente étude était de 157 petites et moyennes entreprises, ce qui impliquait une taille d'échantillon moyenne, (2) cette étude se concentre sur la prédiction et l'explication des construits cibles clés (par exemple, l’utilité perçue et la facilité d’utilisation perçue du marketing digital); (3) tester la relation entre les variables externes, les variables de croyances et l’intention comportementale, c'est pourquoi le logiciel d'analyse statistique, SmartPLS3 a été utilisé. De plus, PLS permet d’examiné la signification des coefficients de chemin dans l'analyse du modèle en effectuant différentes méthodes de ré-échantillonnage.

En effet, le modèle de chemin PLS est formellement défini par deux ensembles d'équations linéaires: le modèle interne (structurelle) et le modèle externe (de mesure). Le modèle interne spécifie les relations entre les variables latentes indépendantes et dépendantes ou non observées, tandis que le modèle externe spécifie les relations entre les variables latentes et leurs indicateurs observés ou variables manifestes (Henseler, 2010). En SEM, une variable est soit exogène, soit endogène. Une variable exogène a des flèches de chemin pointant vers l'extérieur et aucune n'y mène vers elle. En revanche, une variable endogène a au moins un chemin qui y mène vers elle et représente les effets d'une ou de plusieurs autres variables (Wong, 2013). Bien que souvent considérés comme une variable dépendante au sein de la relation, les construits endogènes peuvent également agir comme des variables indépendantes lorsqu'ils sont placés entre deux construits (Hair et al., 2014).

Dans ce sens, nous pouvons décrire les variables utilité perçue et facilité d’utilisation perçue de notre modèle comme des construits exogènes qui sont l’équivalent des variables indépendantes latentes qui ne sont pas mesurables ou observables directement mais qui sont peut être représenté par le biais de cinq variables externes observés ou mesurés est qui sont : l’accessibilité, le cout d’accès, le gain de temps, les normes subjectives et les conditions facilitatrices, et que la facilité d’utilisations perçue, l’utilité perçue, l’attitude envers l’utilisation, l’intentions comportementale et l’utilisation effective sont des construits endogènes et équivalent des variables dépendantes latentes, et qui sont par la suite expliquées par les variables exogènes. C'est pourquoi nous avons développé le questionnaire et un ensemble de propositions, ainsi que le traitement des résultats par le logiciel SPSS18 et le SmartPLS3, afin de déterminer les dimensions de la situation en ce qui concerne l’adoption du marketing digital dans les PME de l’Oranie. Nous avons également utilisé le logiciel SPSS18 dans le but d’effectuer une analyse descriptive des données.