Stratégie d’analyse de la validité structurelle

La vérification de la validité structurelle d’échelles traduites part de l’hypothèse que la configuration des échelles, abrégée Hform, est invariable (Cheung & Rensvold, 2002). En ce sens, il est supposé que des participants appartenant à différents groupes conçoivent les concepts de l’échelle de la même manière (Riordan & Vandenberg, 1994). Lorsque la configuration des échelles est invariable, les données récoltées dans des groupes distincts se décomposent en un même nombre de facteurs, avec les mêmes items associés aux mêmes facteurs (Meredith, 1993). La vérification de ce postulat se réalise à l’aide d’analyses factorielles confirmatoires (AFC). Cependant, il est rare qu’un modèle issu d’une analyse factorielle exploratoire (AFE) puisse être confirmé par une AFC lors d’une recherche ultérieure (Brown, 2006 ; Byrne, 2010 ; Van Prooijen & van der Kloot, 2001). Cela est notamment le cas des échelles traduites (Van de Vijver & Leung, 1997) lorsque les échantillons n’utilisent pas les mêmes cadres de référence pour interpréter les items (Hurley et al., 1997) ou lorsque les solutions factorielles publiées sont basées sur une application inadéquate de l’AFE (Van Prooijen & van der Kloot, 2001). Un exemple d’application erronée de l’AFE se rapporte notamment au choix inadéquat de la solution de rotation (Fabrigar, Wegener, MacCallum, & Strahan, 1999). Dans le cas de l’ORI et de l’ATIES, Antonak et Larrivee (1995) ainsi que Wilczenski (1992) ont respectivement mené une AFE avec rotation orthogonale, supposant que les facteurs sont totalement indépendants entre eux. Or, cette indépendance des facteurs étant rare en sciences sociales (Brown, 2006), il peut être supposé que les facteurs d’une échelle mesurant des attitudes sont rarement indépendants et, au contraire, qu’ils ont plutôt tendance à corréler entre eux. Ce présupposé implique qu’une rotation oblique aurait dû être appliquée. Ce type d’erreur d’application peut mener à des solutions factorielles erronées et conduire à l’échec de la confirmation de ces solutions lors d’AFC dans le cadre d’études ultérieures (Van Prooijen & van der Kloot, 2001). Etant donné qu’il est malgré tout recommandé de mener une AFC lorsqu’une structure théorique a priori existe (Henson & Roberts, 2006 ; Hurely et al., 1997) – ce qui est le cas des deux échelles choisies ici, ces analyses ont été menées afin de vérifier l’hypothèse que les structures factorielles originales de l’ORI (Antonak & Larrivee, 1995) et de l’ATIES (Wilczenski, 1992, 1995) représentent un modèle adéquat pour les données observées dans le cadre de cette étude (Steenkamp & Baumgartner, 1998).

Lorsque les indices de la qualité d’ajustement ne sont pas satisfaisants à l’issue des AFC, deux types de démarches exploratoires sont possibles (Byrne, 2010). D’une part, des changements sur le modèle théorique peuvent être opérés à l’aide des indices de modification (Byrne, 2010). D’autre part, des analyses factorielles exploratoires (AFE) peuvent être menées (Brown, 2006 ; Hurley et al, 1997). Les premières sont des procédures post-hoc largement décriées dans la littérature, car elles comportent le

risque de procéder en capitalisant au hasard et, conséquemment, d’affaiblir les possibilités de réplications lors d’études ultérieures (Chin, 1998 ; Hurley et al, 1997 ; MacCallum, Roznowski, & Necowitz, 1992 ; Byrne, 2010). De fait, il a été décidé de suivre les recommandations de Hurley et al. (1997) et de mener des analyses factorielles exploratoires afin de vérifier quelle structure latente correspondait le mieux aux données récoltées (Brown, 2006 ; Byrne, 2010 ; Fabrigar, Wegener et al., 1999). Le modèle issu de l’AFE est ensuite testé à nouveau dans le cadre d’une AFC afin de vérifier la qualité d’ajustement du nouveau modèle aux données observées. L’ensemble de cette démarche rejoint le scénario de model-generating identifié par Jöreskog et Sörbom (1996), scénario le plus commun dans la littérature (Byrne, 2010, p. 8). Cette démarche se distingue d’un scénario strictement confirmatoire qui aurait fait encourir le risque de rejeter le modèle théorique et de devoir s’en arrêter là.

Bien qu’idéalement une nouvelle AFC sur la base du modèle obtenu par l’AFE devrait être opérée avec un nouvel échantillon, van Prooijen et van der Kloot (2001) ont relevé qu’il est intéressant de vérifier le modèle issu d’une AFE avec une AFC avec le même jeu de données. En ce sens, si l’AFC ne confirme pas le résultat de l’AFE avec le même jeu de données, il peut être supposé qu’une étude ultérieure avec un autre échantillon ne le confirmerait pas non plus :

If a good fit is questionable when the factor structure is confirmatively tested on the same data, we cannot expect that a test of the factor structure in a confirmative follow-up study, that is, on different data, will lead to a good fit. (Van Prooijen & van der Kloot, 2001, p. 790)

Par conséquent, les AFC menées ultérieurement sur les modèles issus des AFE le sont uniquement à titre indicatif et dans l’idée de tester un modèle rival au modèle originel, sans pour autant prétendre que le modèle issu de l’AFE confirme la validité structurelle des échelles, d’autres modèles pouvant être encore plus adaptés aux données à l’étude (Thompson & Daniel, 1996). Ainsi, bien que des analyses tant confirmatoires qu’exploratoires soient menées ci-après, la validité structurelle des modèles reste à confirmer lors de recherches ultérieures (Hurley et al., 1997), à l’aide d’échantillons de taille plus importante.

Les analyses confirmatoires et exploratoires ont été réalisées à l’aide respectivement des logiciels Amos 22 et SPSS 21. Les analyses factorielles confirmatoires ne pouvant être menées avec des données manquantes (Byrne, 2010) et celles-ci devant être gérées également dans le cadre des analyses exploratoires, une seule méthode de gestion des données manquantes a été employée pour l’ensemble des analyses. Il s’agit de l’option listwise, qui exclut tous les sujets dont les observations sont incomplètes (Byrne, 2010 ; Field, 2009 ; Roth, 1994 ; Tabachnick & Fidell, 2007). Ce choix a été retenu pour plusieurs raisons. Premièrement, les valeurs manquantes sont peu nombreuses (ORIf : 0.40% ; ORIg : 0.65% ; ATIESf : 0.55% ; ATIESg : 1.76%) et éparpillées dans la matrice des données. Elles sont donc dues au hasard (Schreiber, Nora, Stage, Barlow, & King, 2006). Deuxièmement,

relativement peu de sujets fournissent des observations contenant des valeurs manquantes28 _{et ces} dernières concernent différentes variables (Schafer & Graham, 2002 ; Tabachnick & Fidell, 2007). Troisièmement, l’élimination des cas incomplets ne réduit pas de manière drastique la taille de l’échantillon, un minimum de 150 observations étant conservé29 _{(Enders, 2013 ; Roth, 1994 ; Schafer} & Graham, 2002 ; Tabachnick & Fidell, 2007). Les analyses factorielles tant exploratoires que confirmatoires produisent des résultats plus performants avec de grands échantillons (Gagné & Hancock, 2006 ; Tabachnick & Fidell, 2007). Ainsi, il est recommandé d’avoir au moins 200 cas pour l’analyse factorielle confirmatoire (Anderson & Gerbing, 1984) et au moins 300 cas pour l’analyse factorielle exploratoire (Tabachnick & Fidell, 2007). Néanmoins, certains auteurs concèdent qu’une taille d’échantillon plus petite peut être suffisante. En effet, dans le cadre des AFC, Gagné et Hancock (2006, p. 79) sont arrivés à la conclusion qu’il n’existe pas n minimum absolu. Dans le cadre des AFE, plusieurs auteurs ont estimé qu’un échantillon constitué de 150 à 200 cas peut convenir, pour autant que les conditions requises pour mener ces analyses soient remplies (Field, 2009 ; Tabachnick & Fidell, 2007 ; Worthington & Whittaker, 2006). Il s’agit notamment de vérifier les relations entre les variables et l’adéquation statistique des solutions factorielles à l’aide du test de la sphéricité de Bartlett30 _{et du test de Kaiser-Meyer-Olkin (KMO > .6), présentés en section 7.2.4.4. De plus, il est} recommandé d’utiliser des données contenant plusieurs indices de la qualité de représentation (communalities) supérieurs à .05, ce qui est le cas de chaque sous-échelle (Worthington & Whittaker, 2006).