Disponible à / Available at permalink :

(1)

- - -

Dépôt Institutionnel de l’Université libre de Bruxelles / Université libre de Bruxelles Institutional Repository

Thèse de doctorat/ PhD Thesis Citation APA:

Ndengutse, P. (2013). Contribution à une étude de l'institutionnalisation de la gouvernance des organisations: approche par une analyse de la perception du discours (Unpublished doctoral dissertation). Université libre de Bruxelles, Faculté des Sciences sociales et politiques – Sciences sociales et Sciences du travail, Bruxelles.

Disponible à / Available at permalink : https://dipot.ulb.ac.be/dspace/bitstream/2013/209531/9/e9bbb148-6813-4e9c-b367-7bf926e088ad.txt

(English version below)

Cette thèse de doctorat a été numérisée par l’Université libre de Bruxelles. L’auteur qui s’opposerait à sa mise en ligne dans DI-fusion est invité à prendre contact avec l’Université ([email protected]).

Dans le cas où une version électronique native de la thèse existe, l’Université ne peut garantir que la présente version numérisée soit identique à la version électronique native, ni qu’elle soit la version officielle définitive de la thèse.

DI-fusion, le Dépôt Institutionnel de l’Université libre de Bruxelles, recueille la production scientifique de l’Université, mise à disposition en libre accès autant que possible. Les œuvres accessibles dans DI-fusion sont protégées par la législation belge relative aux droits d'auteur et aux droits voisins. Toute personne peut, sans avoir à demander l’autorisation de l’auteur ou de l’ayant-droit, à des fins d’usage privé ou à des fins d’illustration de l’enseignement ou de recherche scientifique, dans la mesure justifiée par le but non lucratif poursuivi, lire, télécharger ou reproduire sur papier ou sur tout autre support, les articles ou des fragments d’autres œuvres, disponibles dans DI-fusion, pour autant que :

Le nom des auteurs, le titre et la référence bibliographique complète soient cités;

L’identifiant unique attribué aux métadonnées dans DI-fusion (permalink) soit indiqué;

Le contenu ne soit pas modifié.

L’œuvre ne peut être stockée dans une autre base de données dans le but d’y donner accès ; l’identifiant unique (permalink) indiqué ci-dessus doit toujours être utilisé pour donner accès à l’œuvre. Toute autre utilisation non mentionnée ci-dessus nécessite l’autorisation de l’auteur de l’œuvre ou de l’ayant droit.

--- English Version ---

This Ph.D. thesis has been digitized by Université libre de Bruxelles. The author who would disagree on its online availability in DI-fusion is invited to contact the University ([email protected]).

If a native electronic version of the thesis exists, the University can guarantee neither that the present digitized version is identical to the native electronic version, nor that it is the definitive official version of the thesis.

DI-fusion is the Institutional Repository of Université libre de Bruxelles; it collects the research output of the University, available on open access as much as possible. The works included in DI-fusion are protected by the Belgian legislation relating to authors’ rights and neighbouring rights.

Any user may, without prior permission from the authors or copyright owners, for private usage or for educational or scientific research purposes, to the extent justified by the non-profit activity, read, download or reproduce on paper or on any other media, the articles or fragments of other works, available in DI-fusion, provided:

The authors, title and full bibliographic details are credited in any copy;

The unique identifier (permalink) for the original metadata page in DI-fusion is indicated;

The content is not changed in any way.

It is not permitted to store the work in another database in order to provide access to it; the unique identifier (permalink) indicated above must always be used to provide access to the work. Any other use not mentioned above requires the authors’ or copyright owners’ permission.

(2)

ULB

UNIVERSITÉ LIBRE

DE BRUXELLES

Contribution à une étude de l'institutionnalisation de la gouvernance des organisations :

Approche par une analyse de la perception du discours

Pie NDENGUTSE

Département des Sciences sociales et des Sciences du travail

Volume II

Dissertation préparée sous la direction de Monsieur le Professeur Michel SYLIN, en vue de l'obtention du grade académique de Docteur en Sciences politiques et sociales, Orientation Sciences sociales et

Sciences du travail

Jury de thèse

Messieurs les Professeurs : Laurent LICATA (ULB)

Esteban MARTINEZ-GARCIA (ULB) Pierre SALENGROS (ULB) Armand SPINEUX (UCLl

MichelSYL

Université Libre d

Luc WILKIf

U

G/IO

2

^'

À

e Bruxe les

00350333B

(3)

REÇU LE

1 h

^-

11

^-

2012

(4)

(5)

ANNEXES

1. Résultats, analyses

1.1. Résultats, analyses factorielles et analyses à un facteur (ANOVA): 1"

temps d’analyse (détails liés au Chapitre 9)

1.1.1. Les analyses factorielles et ANOVA, première partie du questionnaire Les analyses factorielles

A la suite de Faverge (1971, p. 216), on peut dire que « l’analyse factorielle est une méthode destinée surtout à faciliter l’interprétation et la classification de données expérimentales. Etant donné un ensemble de n variables, elle propose de rendre compte des interrelations en supposant présentes des variables latentes ou facteurs communs en nombre minimum auxquels on tentera de donner une signification ». Disons tout simplement que l’analyse factorielle serait une approche, une démarche, qui vise à réduire un grand nombre d’informations sur un sujet donné à un petit nombre d’éléments facilement interprétables.

Par l’analyse factorielle, on veut savoir comment s’effectue la réduction des dimensions portées par les variables initiales, mais aussi leurs interrelations. En d’autres termes, il s’agit de réduire le nombre de variables de départ et l’information qu’elles contiennent en nombre minimum de variables appelées « facteurs ou facteurs communs ». Cette démarche permet de retenir une part maximale de cette information tout en évitant des pertes considérables liées à cette réduction. Ceci passe aussi par la recherche d’explication des variations diverses de relations entre les différentes variables.

Mais avant d’effectuer l’analyse proprement dite, nous nous proposons de faire certains tests dits principaux, comme le suggèrent Bodson et al. (2006, p. 75). Il s’agit de la matrice des corrélations entre les variables, la mesure de Kaiser-Meyer-Olkin (KMO) et le test de sphéricité de Bartlett. Pour le premier test, on regarde généralement le déterminant de la matrice de corrélation qui est placé sous la matrice de corrélation : il doit être le plus petit possible et sans être égal à zéro pour éviter qu’une (ou plusieurs variables) ait une corrélation parfaite avec une ou plusieurs variables. Si ce déterminant est nul, il sera impossible d’avoir des saturations de la matrice de corrélations. En peu de mots, pour pouvoir procéder à une analyse factorielle, ce déterminant devrait être non nul et différent de 1. Selon les auteurs, ce dernier montre aussi que les variables hautement corrélées sont des « doublets » et font

« double emploi ».

Il s’agit alors de vérifier les corrélations entre les items, soit les variables initiales. Pourquoi cette vérification ? Tout simplement parce qu’un minimum de corrélations est nécessaire pour avoir de quoi réduire le nombre de dimensions. Si par exemple la matrice des corrélations donne des

(6)

corrélations nulles, cela pourrait indiquer qu’aucun lien n’existe entre les variables; et de ce fait, le recours à l’analyse factorielle pourrait ne pas être informatif du fait que l’on trouverait plusieurs facteurs difficiles (voire les mêmes variables initiales) à interpréter. Autrement dit, si les corrélations sont très faibles ou nulles, il sera très difficile, sinon impossible, d’extraire un ou des facteurs ; ce qui voudrait dire dans ce cas que le recours à l’analyse factorielle n’a pas de véritable sens.

La qualité de ces corrélations se vérifie en considérant les tests de KMO et de Bartlett. Pour le test de KMO, on analyse l’indice KMO qui permet d’avoir une idée sur l’adéquation de la solution factorielle. Il indique jusqu’à quel point l’ensemble de variables que l’on dispose est un ensemble cohérent pouvant constituer une ou des mesures significatives de concepts. Ainsi, si cet indice est élevé, c'est-à-dire qu’il existe une solution factorielle statistiquement acceptable représentant les relations entre les variables. Par ailleurs, « Le test de KMO est une mesure généralisée de la corrélation partielle entre les variables de l’étude. Cette mesure est basée sur la moyenne des coefficients de corrélation qui sont situés sur la diagonale de la matrice anti-image », (Bodson et al.

2006, p. 80). Ainsi, la lecture du test se fait comme suit : 0,90 et plus = très grande validité ;

0,89 à 0,80 = grande validité ; 0,79 à 0,70 = validité moyenne ; 0,69 à 0,60 = validité faible ; 0,59 à 0,50 = validité au seuil limite ; 0,49 et moins = invalide.

De façon générale, c’est un indice qui donne un aperçu global de la qualité des corrélations entre variables (items).

Le test de Bartlett quant à lui mesure la sphéricité. D indique si la matrice de corrélation trouvée est une matrice d’identité ou non. En d’autres termes, ce test vérifie l’hypothèse nulle selon laquelle toutes les corrélations seraient égales à zéro. Laforge (1981, p. 173)^^’ souligne que le test de sphéricité de Bartlett « permet de juger de l’inégalité des racines latentes, c'est-à-dire de l’absence significative de sphéricité du modèle mentionné. Si le modèle s’avère sphérique, on peut présumer que les corrélations entre les variables sont voisines de zéro et donc qu’il n’y a pas intérêt à remplacer les variables par des composantes ». Dans ce test, on considère la signification du test ; la valeur observée doit être égale ou inférieure à 5%, l’hypothèse alternative H1 étant que la matrice de corrélation est différente de la matrice identité^^“ et qu’il est justifié de rechercher des composantes principales (facteurs). Si la signification est égale (ou voisine de) à zéro, ceci indique que l’hypothèse nulle HO est rejetée et qu’il faut accepter l’hypothèse alternative H1 ; dans ce cas, on poursuit l’étude factorielle.

Laforge, H. (1981). Analyse multivariée pour les sciences sociales et biologiques avec applications des logiciels BMD, BMDP, SPSS, SAS. Saint-Laurent, Québec : Etudes vivantes.

Rappelons que la matrice identité ou matrice unité notée par exemple la lettre « n » représentant sa taille, est la matrice dont les coefficients sont 1 sur la diagonale et 0 partout ailleurs. Il s’agit d’une matrice à l’intérieur de laquelle toutes les corrélations sont nulles.

(7)

Vérification des corréiations inter-items”'

De façon générale, le tableau croisé (des corrélations) montre des variables mises en relation.

Dans chaque case présentant le croisement de deux variables, on observe : a) la valeur du coefficient accompagné d’astérisques signifiant que la corrélation est significative ; b) le degré de signification associé à cette corrélation ; et c) le nombre d’observations qui ont été croisés.

Si les corrélations sont significatives, on rejette l’hypothèse nulle selon laquelle il y aurait une absence de relation entre les variables considérées ; et on accepte l’hypothèse alternative qui stipule qu’il existe une relation (positive ou négative) entre ces variables. Ceci suggère que le coefficient de corrélation significatif donne notamment deux types d’informations : d’une part, une information sur le sens de la relation entre les variables considérées ; et d’autre part, une information sur la force de la relation (ou la taille de l’effet). Si le coefficient est négatif, la relation est négative ; s’il est positif, elle est positive. Si la valeur du coefficient est élevée et proche de 1, on pourra conclure que l’effet de la relation entre les variables est de grande taille et que l’association entre ces dernières est forte.

Pour le cas qui nous occupe, le tableau croisé montre que les variables sont corrélées à des degrés divers. Ce tableau comporte plusieurs coefficients marqués par des astérisques ; ce qui indique qu’il existe de nombreuses corrélations. Par exemples :

a) les items « Accommodante/Exigeante » et « Dure/Relaxe » sont significativement corrélés (p

= 0,000 < 0,05). Le sens de cette corrélation est négatif car le coefficient (-0,249) est de signe négatif De plus, cette corrélation (entre les deux items) est significative au niveau 0,01, Le nombre d’observations croisées est de 312 ;

b) les items « Attrayante/Repoussante » et « Conviviale/Anonyme » sont significativement corrélés selon le coefficient de signification (p = 0,000 < 0,05). Cette corrélation est positive car le coefficient (0,285) présente un signe positif Ici aussi, elle est significative au niveau 0,01, et le nombre d’observations croisées est de 312.

Dans l’ensemble, nous remarquons de corrélations significatives entre plusieurs variables, ce qui suggère que quelques associations sont possibles. Plus le coefficient de corrélation est élevé, plus la relation entre les variables est forte. Notons que s’il est proche de 1, la relation est dite très forte ; s’il est égal à 1, la relation est dite totale ; s’il est égal à zéro, la relation est nulle.

.131Le tableau des corrélations n’est pas ici repris.

(8)

Indice KMO et Test de sphéricité de Bartlett

Ainsi, nous obtenons les résultats dans le petit tableau ci-après : Indice KMO et test de Bartlett

Mesure de précision de l'échantillonnage de Kaiser-Meyer-OIkin. ,810

Test de sphéricité de Bartlett Khi-deux approximé 1498,728

ddl 253

Signification de Bartlett ,000 Source : le traitement des données par SPSS (rubrique ‘descriptives - matrice de

corrélation’).

De ce tableau, l’indice KMO est de (0,810), ce qui équivaut à une « grande validité » (selon la lecture de Stafford et Bodson, 2006). En d’autres mots, cet indice indique que les corrélations entre les items sont d’une bonne qualité. Quant au test de Bartlett, le coefficient de signification est de (0,000), soit (p < 0,05) ; il est donc significatif. On rejette l’hypothèse nulle HO qui stipulerait que notre échantillon provient d’une population pour laquelle la matrice serait une matrice identité (ou matrice unité) ; ce qui signifierait que toutes les variables sont indépendantes les unes des autres (pas de liens, pas de relations). On accepte en conséquence l’hypothèse alternative H1 et on continue les analyses factorielles.

Autrement dit, les résultats montrent que les items sont corrélés les uns aux autres, que les corrélations sont de bonne qualité, que nous ne sommes pas en présence d’une matrice de corrélations dite matrice d’identité (ou unité). Ainsi, au regard de ces résultats, nous pouvons poursuivre les analyses.

Déroulement des analyses factorielles

Pour obtenir des facteurs minimum permettant d’expliquer le maximum de variance, et avoir ainsi une part importante de l’information véhiculée par l’ensemble des items, il faut une méthode d’extraction de facteurs. Dans notre cas d’étude, il s’agit de l’extraction en Composantes Principales

« CP ». Par cette méthode, 7 facteurs ressortent du lot des 23 items (variables initiales) et permettent ensemble d’expliquer plus de 57% de la variance (cf. Annexe Tableau n° 13). En d’autres mots, le modèle factoriel obtenu permet de comprendre une bonne part de l’information contenue dans ces variables. Il y a d’autres informations dans ce tableau de la variance totale expliquée : les « valeurs propres initiales » montrent que chacun des 7 facteurs extraits (ou composantes) a une valeur propre supérieure à 1, celle du premier étant de 4,54 et celle du dernier facteur 1,01 ; le premier facteur explique à lui seul 19,88 % de la variance totale des 23 variables de l’analyse ; les facteurs suivant les 7 premiers (du 8^"’^ au 23^™) expliquent quant à eux à peu près 43 % de la variance totale.

1°. Méthode d’extraction de facteurs

Avant de procéder à une analyse avec seulement 7 facteurs (extraits par « CP »), précisons deux critères permettant de déterminer le nombre de facteurs à extraire : il s’agit de la « valeur

(9)

propre» ou «eigen value» et du «coude de Cattell » (Cattel, 1952 ; 1966)”^. Ces valeurs sont repérables dans le graphique des valeurs propres (cf. Annexe Graphique 1). Selon Stafford et al.

(2006, p. 84), ce graphique ne fait que reproduire certaines données du tableau de la « variance expliquée » (généralement dans les deux premières colonnes). Il présente en abscisse les valeurs propres (variance expliquée ou inertie) et en ordonnée les composantes. Selon les deux critères, toutes les composantes dont la valeur propre est en dessous de 1 sont éliminées : le nombre à extraire est donc celui dont la valeur propre est égale ou supérieure à 1.

Concernant la valeur propre, plus celle-ci est élevée, plus le facteur explique une grande portion de la variance totale ; ceci parce que, à la suite de Herrera et Salles-Le-Gac (2002, p. 3945)^^^,

« la somme des valeurs propres est égale à la variance totale, c'est-à-dire la somme des variances des variables ». Notons aussi que par convention tout facteur avec une valeur propre initiale supérieure à 1 est considérée comme facteur significatif. Au regard des résultats du tableau de la « variance totale expliquée », nous relevons donc sept facteurs significatifs.

Quant au « coude de Cattell », il constitue un critère plus sévère pour déterminer le nombre de facteurs. En effet, ce critère consiste à retenir uniquement, sur le graphique des valeurs propres des composantes, les facteurs qui se situent avant le changement abrupt de la pente. Les facteurs, représentés par des points sur ce graphique, qui viennent après ledit changement ou la rupture du coude, ont tendance à former une ligne plus ou moins horizontale. Mais ce critère présente un défaut d’être subjectif car le chercheur qui l’utilise recourt à une appréciation qui n’est pas précise ; d’où la formulation des critiques de la part de certains auteurs (AJar, 1982”'' ; Tabachnick & Fidell, 2001^^^ ; Zwick & Velicer, 1986”^ ). Pour éviter au maximum cette subjectivité, il a été proposé une solution numérique (sur base du calcul du facteur d’accélération) à l’approche de Cattel (Raïche, Paquette- Côté, Magis, Leduc & Meunier, 2009)^”. N’ayant pas fait recours à cette solution, suite au manque d’outil nécessaire, nous avons considéré chaque fois le point de rupture situé à l’endroit où on observe le changement le plus important dans la pente de la courbe des valeurs propres, c’est à dire la plus importante accélération.

En analysant le Graphique 1, le constat est que le changement abmpt de l’allure se situe après le troisième facteur : nous pouvons alors définir trois facteurs qui permettent de respecter la « rupture

332Cattell, R. B. (1952). Factor analysis: an introduction and manual for the psychologist and social scientist.

New York: Harper. Cattel, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1, 245-276.

Herrera, R. R. & Salles-Le Gac, D. (2002). Initiation à l’analyse factorielle des données. Fondements Mathématiques et Interprétations. Cours et Exercices Corrigés. Paris : Ellipses.

Ajar, D. (1982). Le problème de la détermination du nombre de facteurs en analyse factorielle. Revue des sciences de l’éducation, (1), 45-62.

Tabachnick, B. G. & Fidell, L. S. (2001). Using multivariate statistics. Boston, MA: Allyn and Bacon.

Zwick, W. R. & Velicer, W. F. (1986). Comparison of rules for determining the number of components to retain. Psychological Bulletin, 99,432-442.

Raïche, G., Paquette-Côté, K., Magis, D., Leduc, D. & Meunier, H. (2009). Des mécanismes pour assurer la validité de l'interprétation de la mesure en éducation. Québec : Presses Universitaires du Québec.

(10)

de Cattell ». Mais si l’on tient compte de la valeur propre, qui doit être égale ou supérieure à 1, ledit changement se fait après le septième composant. Nous optons pour le critère de Cattel (permettant de ne retenir que trois facteurs), étant entendu qu’il permet aussi de tenir compte de l’autre critère.

2°. Analyse factorielle avec précision du nombre : 3 facteurs ; critère : coude de Cattell

Trois facteurs sont ainsi extraits par la méthode d’extraction en « CP ». Ces facteurs permettent d’expliquer plus de 37% de la variance totale (expliquée), soit une moyenne de plus de 12% par facteur, toute chose restant égale par ailleurs. Autrement dit, le modèle factoriel construit permet d’expliquer plus de 37% de la variance. On note cependant que ce faible pourcentage de la variance expliquée est lié au fait que nous utilisons un outil ad hoc, où la performance métrologique n’a pas été contrôlée, reprenant un nombre conséquent d’items polaires.

Par cette méthode d’extraction (en « CP ») avec précision du nombre de facteurs, nous obtenons, du lot des 23 variables initiales, trois facteurs (ou variables latentes ou facteurs communs) qui permettent d’expliquer une certaine portion de l’information contenue dans l’ensemble de ces variables. Ceci signifie qu’en moyenne plus de sept variables contribuent pour construire et définir ensemble un facteur.

Variance totale expliquée Composante Extraction Sommes des carrés des facteurs

retenus

Somme des carrés des facteurs retenus pour la rotation

Total % de la variance % cumulés Total % de la variance % cumulés

dimension

1 4,573 19,884 19,884 4,013 17,450 17,450

2 2,422 10,529 30,413 2,443 10,622 28,072

3 1,576 6,852 37,265 2,114 9,192 37,265

Méthode d'extraction : Analyse en composantes principales.

D existe une façon de déterminer le poids des variables sur chaque facteur extraits : c’est ce que donne le tableau de la matrice des composantes. 11 s’agit des coefficients de la corrélation entre la variable (1, ..., 23) et le facteur (1, 2, 3). A la suite de Faverge (1971, p. 217), on les appelle aussi des

« saturations » : entendez ici des saturations des variables (1 à 23) dans les facteurs communs (1,2, 3).

Ces poids permettent de savoir la part (ou le rôle au sens général) de chaque variable dans la structuration de chaque facteur commun. En d’autres mots, ils participent à la détermination du degré de correspondance, ou de relation entre la variable et le facteur. Ainsi, plus le poids (ou les saturations) est élevé, plus la variable initiale définit mieux le facteur commun. En quelque sorte, « ...l’analyse factorielle conduit en effet à calculer les saturations ...» (Faverge, 1971, p.239).

De manière générale, le premier facteur (la première composante) qui est extrait est celui qui explique la plus grande part de la variance et par ce fait la meilleure combinaison possible de variables. Les facteurs suivants, selon leurs parts respectives, expliquent moins de variance et par conséquent représentent des combinaisons de variables de moins en moins constructives. Mais, M

(11)

semble prudent de procéder à une rotation pour avoir une répartition davantage équilibrée du poids des variables. La rotation permet d’obtenir des poids équitablement répartis, corrigeant ainsi les corrélations entre les variables et les facteurs significatifs. C’est pour cette raison que nous prendrons toujours pour interprétation la matrice des composantes après rotation. On note qu’il existe plusieurs méthodes de rotation, notamment « Varimax », « Direct oblimin », « Quartimax », « Equamax » et

« Promax ». Pour le cas qui nous occupe, nous optons pour une rotation orthogonale (Varimax), essentiellement parce qu’elle permet une répartition équitable des poids des variables sur les facteurs.

Cette rotation permet en outre de minimiser le nombre de variables ayant de fortes corrélations sur chaque facteur ; et par conséquent, elle permet de simplifier l’interprétation. Comme le suggèrent Stafford et Bodson (2006, p. 67-68), citant Laforge (1981), la rotation orthogonale est une méthode qui repose sur la maximisation de la somme des variances des carrés des saturations dans chaque colonne. Ainsi, certaines saturations augmentent, d’autres diminuent.

Cette rotation (cf. Annexe Tableau n° 14) consiste en quelque sorte à faire pivoter virtuellement les axes des facteurs autour du point d’origine pour permettre la redistribution davantage équitable de la variance à expliquer. Cette méthode de rotation d’axes implique que chacune des variables de l’ensemble aura le poids le plus élevé possible sur un facteur et le poids le plus faible possible sur les autres facteurs. Il s’agit alors de maximaliser les corrélations faibles de façon à opérer une discrimination entre les facteurs et de favoriser une explication plus ou moins intéressante des relations entre les variables. Ainsi, cette rotation s’accompagne des changements dans la répartition des poids des variables sur les facteurs. De cette rotation, il ressort qu’il devient facile d’interpréter, d’étiqueter et de nommer les facteurs définis par les variables.

Dans notre analyse, les variables concourent significativement à la construction de trois variables latentes (facteurs communs) et se regroupent selon leurs saturations plus élevées. Certaines de ces variables peuvent présenter des saturations sur plusieurs facteurs. Sur ce point, certaines théories, notamment celles basées particulièrement sur l’Analyse en Composante Principale, avancent que dans ce cas il faut éliminer les variables qui saturent sur plus d’un facteur, donc qui ne se positionnent pas clairement sur un seul facteur pour mieux le définir ; ou/et il faut éliminer les variables qui ont de faibles saturations sur les facteurs.

Pour ce qui nous concerne, nous ne procédons pas à des éliminations, ceci étant motivé par ce que nous recherchons dans l’étude factorielle: nous savons que les répondants apprécient nos propositions (items) de manière multidimensionnelle ; et puisque nous avons constaté que, dans la matrice des composantes après rotation, plus de dix variables se regroupent pour davantage définir le premier facteur avec plus de 17% de la variance expliquée ; que neuf variables se combinent pour construire le deuxième facteur avec plus de 10% de variance expliquée, il est possible d’avoir une interprétation appropriée sans perdre une grande partie de l’information portée par ces appréciations multidimensionnelles. En d’autres termes, en reléguant au second rang les analyses avec élimination de certaines variables initiales, nous souhaitons garder cette « multidimensionalité » dans les

(12)

appréciations (évaluations des items proposés) des répondants pour mieux les appréhender : il en sera ainsi pour les deux autres parties du questionnaire.

Par la suite, nous essayons par la méthode d’interprétation d’étiqueter les facteurs construits par les variables qui se sont regroupées, compte tenu de la contribution de chacune à définir chaque facteur. Dans la matrice des composantes après rotation, nous identifions les poids les plus élevés pour chaque variable sur les facteurs extraits : l’objectif est de simplifier l’interprétation, à partir de la lecture des poids factoriels des variables. Il s’agit alors de parcourir les rangées, de cibler les poids factoriels plus élevés sur chaque ligne, d’identifier les poids proches (ou égaux à) de zéro, l’idéal étant de se retrouver avec un seul poids très élevé sur chaque ligne. Ce qui signifierait que la variable considérée est corrélée à un seul facteur qu’elle concourt à mieux définir, à représenter.

Interprétation des facteurs

Par cette approche d’interprétation, nous cherchons à étiqueter les facteurs, soit les définir et les nommer. En d’autres mots, compte tenu des variables et leurs scores, nous nommons les facteurs qu’elles définissent. Notre travail consiste dès lors à identifier le construit latent que les facteurs permettent de mesurer. La méthode interprétative est certes une méthode où intervient la subjectivité du chercheur ; mais celle-ci est contrôlée ou canalisée du fait que les facteurs et les poids des variables sur ceux-ci sont déterminés par des techniques statistiques. Ainsi, nous proposons de nommer les facteurs comme suit :

• Facteur 1 : nous l’appelons « Evaluation ». Il est structuré par onze items, soit à peu près la moitié du nombre total. Citons en quelques uns selon leurs poids:

«Conviviale/Anonyme» (0,652); « Sympathique/Antipathique » (0,623);...;

« Bureaucratique/Entrepreneuriale» (-0,156).

• Facteur 2 ; nous le nommons « Puissance ». Il est défini par neuf items. Nous citons quelques uns : « Forte/Fragile » (0,590) ; « Pauvre/Riche » (-0,587) ; « Dure/Relaxe » (0,534) ;...;« Hiérarchisée/Décentralisée » (0,316).

• Facteur 3 : nous l’étiquetons « Dynamisme ». Il est structuré par les items

« Modeme/Classique »(0,771) ; «Jeune/Vieille» (0,724); et «Flexible/Rigide»

(0,405).

Conclusion

En procédant à des analyses factorielles, l’objectif était de pouvoir interpréter le discours multidimensionnel des sujets porté par leurs réponses, soit les appréciations des items proposés. Avec des réponses différemment orientées, soit dans le sens de jugements, soit dans le sens d’évaluations, d’appréciations, etc., on obtient un ensemble de données caractérisé par une hétérogénéité difficile à interpréter. La méthodologie de l’analyse factorielle, utilisée souvent pour réduire un ensemble de données diverses en identifiant un minimum de facteurs qui puissent expliquer le maximum de

(13)

variance totale observée dans le plus grand nombre de variables, a permis d’arriver à cet objectif. En effet, il s’avère que les réponses, ou les appréciations des propositions du questionnaire, structurent trois facteurs nommés « Evaluation », « Puissance », et « Dynamisme ». En d’autres termes, les réponses des sujets indiqueraient que de préalable suivie préalable suivie manière sous-jacente les représentations de C.B. chez les répondants vont dans le sens d’évaluation (ils évaluent C.B.), dans le sens de puissance (ils décrivent C.B. comme étant forte, dure, puissante, ...), et dans le sens de dynamisme (ils décrivent C.B. comme jeune, flexible, dynamique, ...). Des items davantage caractéristiques de ces aspects sont repérés ; de même, leur contenu est défini lors de l’interprétation des facteurs. Ainsi, nous obtenons une réduction de la dimension des réponses ou des appréciations des sujets.

Deux analyses factorielles sont réalisées, la première sans préciser le nombre de facteurs à extraire et la seconde avec cette restriction. Cette dernière s’avère concluante au regard des résultats que nous obtenons et de l’objectif fixé. En résumé, les étapes suivies sont : avant l’analyse standard (avec toutes les variables), une vérification des corrélations entre items est réalisée pour vérifier si le recours à l’analyse factorielle est approprié ou non. L’indice KMO et le test de sphéricité de Bartlett étant significatifs, nous constatons que les corrélations sont bonnes, que nous ne sommes pas en présence d’une matrice de corrélations dite matrice d’identité (ou unité), et que par conséquent l’analyse factorielle est appropriée. Ensuite, une analyse dite standard (avec les 23 items) est effectuée, suivie par une autre sur base d’une précision de facteurs à extraire et de deux critères, soit la « valeur propre » et le « coude de Cattell ». Les résultats sont satisfaisants malgré le pourcentage faible de la variance totale expliquée ; ce qui permet de procéder à l’interprétation des facteurs obtenus.

L’étape suivante est l’analyse de la variance à un facteur (ANOVA). L’objectif est de déterminer si les six conditions expérimentales (CAS) font varier ou non les scores factoriels ; on fait un retour sur les facteurs construits. Autrement dit, nous allons vérifier si les CAS

« Entreprise/Gouvemance », «Entreprise/Gestion», ..., « OrganisatioiVGestion » ont une influence sur les poids factoriels déjà obtenus lors de la rotation de la matrice des composantes. Cette analyse se fait, comme l’analyse factorielle, volet par volet du questionnaire.

Analyse de la variance à un facteur, ANOVA

L’analyse de la variance tente de répondre à une question que nous avons formulée tout au début des analyses. Celle-ci consiste à savoir si les six conditions expérimentales font, ou ne font pas, varier les scores factoriels. Le principe est que plus les différences entre les scores factoriels moyens (nous les visualiserons à l’aide des histogrammes) dans les CAS sont importants, plus il est difficile d’admettre que ces différences résultent simplement du hasard ; et plus on est donc porté à admettre qu’il existe des différences entre les scores factoriels moyens, selon les conditions expérimentales.

Dans le tableau des caractéristiques statistiques (cf Annexe Tableau n° 15), nous nous intéressons surtout aux moyennes des scores faetoriels, puisque généralement l’analyse de la variance

(14)

permet de tester l’hypothèse d’égalité (ou variation) des moyennes. En d’autres termes, l’hypothèse nulle HO est basée sur l’égalité des moyennes, soit la moyeime des observations (scores) dans le premier CAS qui est égale à celle dans le deuxième et ainsi de suite. Ceci revient à dire que l’ANOVA consiste à vérifier si les différences de variations dans chaque condition bien définie vont s’éloigner de manière significative de la valeur zéro. Ce qui amène à considérer le niveau de signification. La colonne des moyennes de ce tableau montre alors le résultat de la régression de la variable dépendante sur la variable indépendante (critère simple), autrement dit les scores factoriels sur les conditions expérimentales.

Les variations des scores des facteurs

Successivement, les données sur les moyennes recueilhes montrent des scores moyens et des représentations de ceux-ci, facteur par facteur :

Conditions expérimentales (CAS) | Sc. Facteur EVALUATION

Entreprise/Gouvemance 0,286

Entreprise/Gestion 0,254

Institution/Gouvemance -0,172

Institution/Gestion -0,195

Organisation/Gouvemance 0,165

Organisation/Gestion -0,263

Les données montrent une variation des scores moyens du facteur d’« Evaluation » dans les différents CAS. Voici une représentation pour visualiser ces scores factoriels selon les CAS (ou conditions expérimentales) :

EVALUATION

Par cette représentation, nous constatons que les scores factoriels varient selon les conditions expérimentales. Considérons les deux parties du graphique autour de l’axe vertical et du point origine zéro, soit la partie positive et la partie négative: dans la première (de 0 à 0,4), le facteur d’« Evaluation » obtient un score plus élevé dans le CAS « Entreprise/Gouvemance », suivi du CAS

« Entreprise/Gestion », tandis qu’il obtient un score faible dans le CAS

« Organisation/Gouvemance » ; dans la seconde (de 0 à -0,3), ledit facteur obtient un score plus élevé

(15)

(en valeur absolue) dans le CAS « Organisation/Gestion », suivi des CAS « Institution/Gestion » et

« Institution/Gouvemance » où on obtient des scores relativement faibles (toujours en valeur absolue).

Ces variations pourraient signifier que les variables initiales, qui ont concouru par leurs saturations à la construction du facteur d’« Evaluation », véhiculeraient une évaluation négative (ou pessimiste...) dans la partie où le facteur obtient des scores négatifs et une évaluation positive (ou optimiste...) dans l’autre partie. Il y a ainsi des variations des scores factoriels selon les CAS.

Les données relatives aux scores moyens du deuxième facteur sont ci-après reprises :

Conditions expérimentales (CAS) | Sc. Facteur PUISSANCE

Organisation/Gouvemance -0,034

En analysant ces scores factoriels moyens, nous constatons qu’ici aussi il y a des variations selon les conditions expérimentales. L’histogramme suivant montre ces variations :

PUISSANCE

Le facteur de « Puissance » obtient un score plus élevé dans le CAS

« Entreprise/Gouvemance » et un score relativement faible dans le CAS « Entreprise/Gestion », pour la partie positive du graphique. Dans l’autre partie, ledit facteur obtient un score plus élevé (en valeur absolue) dans le CAS « Organisation/Gestion », suivi du CAS « Institution/Gouvemance », puis des scores relativement faibles (en valeur absolue) dans les CAS « Institution/Gestion » et

« Organisation/Gouvemance ».

Dans cette partie positive, les variations de scores factoriels de façon positive pourraient indiquer que les variables stmcturent une appréciation (de C.B chez les répondants) allant dans le sens de « puissance » ; tandis que dans l’autre partie, les variations négatives indiqueraient le contraire (selon les CAS).

(16)

Le troisième est le facteur de « Dynamisme » dont les scores sont répertoriés dans le tableau suivant :

Conditions expérimentales | DYNAMISME

Entreprise/Gouvemance -0,051

Institution/Gestion 0,084

Organisation/Gestion 0,483

Voici les variations des scores factoriels selon les CAS représentées comme suit ; DYNAMISME

Dans la partie positive, le facteur de « Dynamisme » obtient un score plus élevé dans le CAS

« Organisation/Gestion », suivi du score dans les CAS « Institution/Gestion », puis des scores relativement faibles dans les CAS « Entreprise/Gestion » et « Organisation/Gouvemance ». Dans la partie négative, ledit facteur obtient un score plus élevé (en valeur absolue) dans le CAS

« Institution/Gouvemance » et un score faible (en valeur absolue) dans le CAS

« Entreprise/Gouvemance ». Il y a ainsi des variations des scores factoriels selon les CAS ; ceci est visible de part et d’autre de l’axe vertical du graphique.

En conclusion, même si les scores factoriels varient selon les conditions expérimentales, rien n’indique pour le moment que ces variations sont significatives ou non. Nous procédons à une ANOVApour en savoir davantage; ce qui permet par ailleurs de répondre à la question posée au début.

ANOVA

L’ANOVA montre en fait les variations des scores factoriels entre les groupes et à l’intérieur des groupes. En d’autres termes, l’analyse de variance à un facteur concerne des groupes indépendants, c'est-à-dire les CAS, et consiste in fine à chercher le rapport entre la variance entre les groupes (ou inter-groupes) et la variance à l’intérieur des groupes (ou intra-groupes). Le rapport entre

(17)

les deux variances est noté « F » et représente de façon générale l’importance de la variance expliquée par rapport à la variance résiduelle.

Plus concrètement, F est égal à la variance inter-groupes divisée par la variance intra-groupe, la première étant liée aux conditions expérimentales et la seconde ne l’étant pas. Cette dernière est appelée aussi variance résiduelle ou résidu ; tandis que la première est appelée aussi variance expliquée ou variance factorielle (car étant expliquée par les facteurs).

L’analyse (cf. Annexe Tableau n° 16) montre les résultats principaux que nous reprenons ici;

la variance inter-groupes est égale à la somme des carrés/ddl ; tandis que la variance intra-groupes est égale à la somme des carrés/ddl, et F est égal (c’est un rapport) à la variance inter-groupes/variance intra-groupes. Soit les données suivantes par facteur:

Facteur « Evaluation » : la variance des scores factoriels entre les CAS (inter-groupes) ou liée aux conditions expérimentales est de 3,153 ; F = 3,272 ; p = 0,007 ;

Facteur « Puissance » : la variance des scores factoriels entre les CAS ou liée aux conditions expérimentales est de 2,018 ; F = 2,053 ; p = 0,071 ;

Facteur « Dynamisme » : la variance des scores factoriels entre les CAS ou liée aux conditions expérimentales est de 0,722 ; F = 0,719 ; p = 0,610 ;

Conclusions à partir des résultats de l’ANOVA

En considérant le seuil de signification p = 0,05, on peut rejeter l’hypothèse nulle HO, basée sur l’égalité des moyennes, seulement pour la variance des scores factoriels entre les conditions expérimentales pour le facteur « Evaluation Les autres facteurs présentent des variations entre CAS qui montrent un F très petit et la valeur de « p » supérieure au seuil de signification 0,05 ; ce qui implique que celles-ci ne sont pas significatives.

Autrement dit, l’expérience que nous avons faite montre que ce que mesurent (ou véhiculent) les variables initiales (items) qui ont contribué à construire le facteur « Evaluation » diffère significativement selon les conditions expérimentales en considérant un seuil de signification (ou risque d’erreur) de 5%. Les valeurs associées aux autres facteurs montrent un F très faible, ce qui indique que la différence entre les moyennes des carrés n’est pas significative. En d’autres mots, le rapport entre la variance inter-groupes et la variance intra-groupes n’est pas suffisamment élevé.

En définitive, le facteur « Evaluation » montre qu’il y a des différences, des variations significatives de représentation (image gardée) de C.B chez les répondants. Ces variations sont repérables selon les différents CAS. Ceci montrerait comment un discours est différemment représenté dans des situations différentes et dans un temps précis (c'est-à-dire après avoir entendu, ou lu, soit après l’action du stimulus). Mais nous ne savons pas à cette étape de quelle évaluation il s’agit. S’agit-

Pour les autres facteurs, on ne rejette pas l’hypothèse nulle HO mais on ne l’accepte pas. C'est-à-dire tout simplement qu’il n’y a en définitive pas de variation significative des scores factoriels selon les conditions expérimentales.

(18)

il d’une évaluation positive, négative, optimiste, pessimiste, ou d’un autre genre ? A qui pourrait-on attribuer cette évaluation ? Pour essayer de répondre à ces questions, il convient d’envisager la relation qui existerait entre les répondants et les items évalués. C’est ce que nous tenterons de faire dans un deuxième temps d’analyses, en recourant aux analyses typologique et binaire classique.

1.1. 2. Résultats des analyses factorielles et ANOVA, deuxième partie du questionnaire Analyses factorielles

Nous empruntons la même démarche utilisée lors des analyses sur la première partie du questionnaire, tout en essayant d’être davantage bref et systématique.

Vérification des corrélations entre les items

Des corrélations au moins minimales entre les items ou variables qui font l’objet de l’analyse sont donc nécessaires pour valider le recours à la méthode. Si au contraire il n’existe pas de corrélations suffisantes, il faudrait abandonner la méthode car il ne serait pas possible de faire émerger un ou quelques facteurs communs.

L’analyse des corrélations inter-items montre de façon générale que les items sont corrélés.

Nous enregistrons de fortes et de faibles corrélations. A titre d’exemples, nous citons :

a) les fortes corrélations : les items « un système de règles définies » et « un ensemble de règles précises par lesquelles l’organisation est gérée », avec un coefficient de 0,537 ; les items « un système qui se fonde beaucoup sur les relations interpersonnelles » et « un système par lequel on privilégie l’écoute », avec un coefficient de 0,501 ; les items « un mode de management qui met en avant l’écoute » et « un système par lequel on privilégie l’écoute », avec un coefficient de 0,715 ; les items « un système qui met en avant la valorisation du travailleur » et

« un système par lequel on privilégie l’écoute », avec un coefficient de 0,589 ;

b) les faibles corrélations ; les items « un système plus incitatif » et « un système de règles définies », avec un coefficient de 0,002 ; les items « un système qui se fonde sur les lois et les sanctions » et « un système qui définit clairement les rapports, les liens qui existent entre partenaires », avec un coefficient de 0,004 ; les items « un mode de management des différents niveaux de pouvoirs » et « un système qui se fonde beaucoup sur les relations interpersonnelles », avec un coefficient de 0,007 ; les items « un système par lequel on privilégie la coopération » et « un mode de management des différents niveaux de pouvoirs », avec un coefficient de 0,005 ; les items « un système plus accommodant » et « un ensemble de règles précises par lesquelles l’organisation est gérée », avec un coefficient de 0,006 ; c) les corrélations négatives : les items « un système où les pratiques sont facilement

négociables » et « un système qui se fonde sur les lois et sanctions », avec un coefficient de - 0,257 ; les items « un système qui se fonde sur les lois et sanctions » et « un système par

(19)

lequel on privilégie la coopération », avec un coefficient de -0,202 ; les items « un système par lequel on privilégie l’écoute » et « un système qui se fonde sur les lois et sanctions », avec un coefficient de -0,188 ; les items « une pratique de relations qui se fonde sur la coopération » et

« un système qui se fonde sur les lois et sanctions », avec un coefficient de -0,166.

Sur base de ces corrélations, il existe un lien, qu’il soit fort, faible ou négatif, entre les items, celui-ci indiquant des associations possibles ; ce qui permettrait de faire émerger certains facteurs.

Pour confirmer cette possibilité, nous déterminons l’indice KMO et faisons le test de Bartlett.

Indice KMO et Test de sphéricité de Bartlett

Indice KMO et test de Bartlett

Mesure de précision de l'échantillonnage de Kaiser-Meyer-Olkin. ,863

Test de sphéricité de Bartlett Khi-deux approximé 2933,875

ddl 351

Signification de Bartlett ,000

L’indice KMO est de 0,863, ce qui équivaut à une « grande validité » : les corrélations entre items sont de bonne qualité. S’agissant du test de Bartlett, nous constatons que le coefficient de signification est inférieur à 0,05. Ceci permet de rejeter l’hypothèse nulle selon laquelle la population étudiée proviendrait d’une population pour laquelle la matrice serait une matrice d’identité, où tous les items seraient indépendants les uns des autres, où il n’y aurait aucune relation. En fonction de ces résultats, nous poursuivons l’analyse factorielle.

Analyses factorielles, avec précision du nombre de facteurs à extraire

Sur base des valeurs propres (cf. Graphique n° 2), une analyse factorielle est effectuée en précisant le nombre de facteurs à extraire ; cinq facteurs sont extraits selon les critères de la « valeur propre » et du « coude de Cattell ».

Variance totale expliquée

Composante Somme des carrés des facteurs retenus pour la rotation

Total % de la variance % cumulés

dimensionO

1 5,442 20,156 20,156

2 3,071 11,373 31,529

3 2,337 8,657 40,186

4 1,836 6,800 46,986

5 1,411 5,226 52,212

Le tableau de la variance expliquée montre que le modèle factoriel basé sur les facteurs extraits significatifs permet d’expliquer 52% de la variance totale des observations. Le premier facteur est plus contributeur que d’autres, avec 20% dans l’explication de la variance totale. Ce facteur

(20)

est donc important : cette importance transparaît même dans le nombre d’items élevé, soit une dizaine, qui concourt à sa structuration.

Le tableau de la matrice des composantes après rotation (cf. Annexe Tableau n° 17) montre qu’il y a des groupements de variables qui participent à la construction des facteurs communs : dix variables, soit près de la moitié du total des variables initiales, ont des saturations plus élevées sur le facteur 1 ; six items sur le facteur 2 ; six items encore sur le facteur 3 ; trois items sur le facteur 4 et deux items sur le facteur 5. Nous essayons par la suite d’interpréter et de nommer les facteurs construits, en considérant les poids des différentes variables (items) qui interviennent dans leur construction.

Interprétation des facteurs

Dans cette phase, nous proposons des noms aux facteurs construits, en tenant compte du contenu du tableau de la matrice des composantes après rotation que nous venons d’obtenir par l’analyse factorielle avec précision du nombre de facteurs à extraire. Au regard des groupements qui se font, nous proposons d’étiqueter le construit de la façon suivante :

Facteur 1 ; « Relationnel ». Il s’agit d’un facteur construit par une dizaine de variables sur les 27. Parmi cette dizaine, il y a des variables comme : « Un mode de management qui met en avant l’écoute » avec un poids factoriel de (0,748), « Une pratique de relations qui se fonde sur la coopération » avec (0,737), « Un système qui met en avant la valorisation du travailleur» avec (0,732), « Un système par lequel on privilégie l’écoute » avec (0,731), ...,

« Un système principalement structuré par les relations entre partenaires » avec un poids factoriel de (0,481). Ces variables présentent des corrélations plus élevées avec ce facteur qu’avec d’autres et contribuent ainsi à mieux le définir ;

Facteur 2 : « Institutionnel », dans le sens du formel. C’est un facteur qui est formé par six items. En d’autres mots, il est défini par la combinaison des variables comme « Un mode de management axé sur des règlements » avec un poids de (0,773), « Un mode de management axé sur des mécanismes légaux » avec un poids de (0,746), ..., et « Un mode de management par des codes de conduite » avec un poids factoriel de (0,590);

Facteur 3 : « Ambiance », dans le sens d’ambiance au travail. Ce facteur est construit par la contribution de six variables. Il s’agit notamment de « Un système plus accommodant » avec un poids factoriel de (0,737), «Un système souple» avec un poids de (0,634), ..., «Un système moderne » avec un poids factoriel de (0,361). A noter aussi que si on opte pour les éliminations, cette dernière variable devrait être éliminée car elle présente une saturation faible (< 0,40 généralement exigé);

Facteur 4 : « Organisationnel ». Trois variables concourent à la définition de ce facteur. Il s’agit de « Un système qui définit clairement les rapports, les liens qui existent entre partenaires » avec un poids factoriel de (0,655), « Un système de direction explicite » avec un

(21)

poids de (0,644) et « Un mode de management axé sur les nonnes de comportement négociées », variable qui a une saturation négative sur le facteur de (-0,503) ;

Facteur 5 ; « Contrôle ». L’étiquetage proposé va dans le sens du contrôle effectif du pouvoir.

Il s’agit d’un facteur construit par la combinaison des variables et leurs scores suivants ; « Une manière de contrôler le travail et les comportements » avec un poids factoriel de (0,719) et

« Un mode de management des différents niveaux de pouvoirs » avec un poids factoriel de (0,678).

Il est aussi intéressant de jeter un coup d’œil sur les poids de ces variables sur d’autres facteurs et d’essayer de déchiffrer quel genre d’information elles contiennent. Un exemple parmi tant d’autres : l’item « Un système qui se fonde sur les lois et sanctions » qui participe à la construction du facteur 2

« Institutionnel » et le facteur 1 « Relationnel ». Cet item et ce facteur 1 sont négativement corrélés, le poids factoriel étant de (-0,177). Ceci veut dire qu’il existe une relation négative entre l’item et le facteur en question, ce qui peut aussi aider dans la formulation de l’interprétation du facteur.

Analyse de la variance à un facteur, ANOVA

Comme nous l’avons fait pour la première partie du questionnaire, nous faisons ici une analyse de la variance à un facteur, pour voir si les six conditions expérimentales définies font effectivement varier les scores factoriels. Ici aussi l’attention est portée surtout à la colonne des moyennes du tableau de régression (scores factoriels - conditions expérimentales), (cf. Annexe Tableau n° 18).

Les variations des scores des facteurs

A partir des données sur les moyennes du tableau, nous reprenons ci-dessous les scores factoriels dans les différentes conditions expérimentales.

Conditions expérimentales | Sc. Facteur RELATIONNEL

Entreprise/Gestion -0,145

Institution/Gouvemance 0,280

Les données sur les scores moyens montrent qu’il y a des variations selon les CAS. L’histogramme suivant représente, dans le plan, ces scores factoriels.

(22)

Ce graphique montre effectivement que les scores factoriels varient selon les six CAS. Dans la partie positive du graphique (de 0 à 0,4), le facteur « Relationnel » obtient un score positif plus élevé dans le CAS « Institution/Gouvemance », suivi du CAS « Institution/Gestion ». Tandis qu’il obtient un score faible dans le CAS « Organisation/Gestion ». Dans la partie négative du graphique (de 0 à - 0,3), il obtient un score négatif plus élevé (en valeur absolue) dans le CAS

« Organisation/Gouvemance », le score suivant étant celui obtenu dans le CAS

« Entreprise/Gouvemance », et un score faible (en valeur absolue) dans le CAS

« Entreprise/Gestion ». D existe donc des variations des scores factoriels selon les CAS.

Ces variations positives de scores factoriels pourraient signifier que les variables initiales qui ont contribué dans la structuration du facteur « Relationnel » ont obtenu un score plus important (de jugements, d’appréciations, d’évaluations) dans le CAS « Institution/Gouvemance », un score relativement élevé dans le CAS « Institution/Gestion », etc. Ceci impliquerait que les variables véhiculeraient une information basée sur la relation. Dans le même ordre d’idées, ces variations négatives de scores obtenus par les variables indiqueraient une information qui serait soit basée sur le contraire de la relation, soit sur autre chose.

Le second facteur présente des scores ci-après ;

Conditions expérimentales | Scores du Facteur INSTITUTIONNEL

La représentation de ces scores factoriels se fait comme suit :

(23)

So. Facteur INSTTTUTIONNEL

Organisai on/Geation

Institut Institution/G

on/Gestion Duvemance

1

- d___________

!'

Entreprise/G Duvemance

-0,4 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4

Le graphique montre que les scores du facteur « Institutionnel » varient. Dans la partie positive, ce facteur obtient un score plus élevé dans le CAS « Institution/Gestion », puis un score important dans le CAS « Institution/Gouvemance », et un score relativement faible dans le CAS

« Entreprise/Gouvemance ». Dans la partie négative, il obtient un score plus élevé (en valeur absolue) dans le CAS « Entreprise/Gestion », suivi du CAS « Organisation/Gouvemance », et un score faible (en valeur absolue) dans le CAS « Organisation/Gestion). Il y a ainsi des variations des scores factorielles selon les CAS.

Dans la partie positive, ces variations des scores factoriels véhiculeraient une information variée sur l’institutionnel ; ce ne serait pas la même chose pour les variations négatives de ces scores dans l’autre partie.

Le facteur suivant et ses scores factoriels se présentent comme suit :

Conditions expérimentales Sc. Facteur AMBIANCE

Ci-après, nous visualisons les variations des scores factoriels au moyen d’un graphique:

Sc. Facteur AMBIANCE

Oi

Organisât ganisation/G Institut

on/Gestion 3u\emance on/Gestion 1 _______________________________ _____ ■■itutHM

Entrepr Entreprise/G

se/Gestion

-0.3 -0,25 -0,2 -0,15 -0.1 -0.05 0 0,05 0.1

(24)

Le graphique montre que les scores du facteur d’« Ambiance » varient dans les six situations.

Dans la partie de droite de l’axe vertical (soit de 0 à 0,1), ce facteur obtient un score plus élevé dans le CAS « Institution/Gestion », puis un score important dans les CAS « Entreprise/Gestion » et

« Organisation/Gouvemance » avec une différence moins nette, et un score relativement faible dans le CAS « Organisation/Gestion ». Dans la partie négative (de 0 à -0,3), il obtient un score très élevé (en valeur absolue) dans le CAS « Institution/Gouvemance » et un score faible (en valeur absolue) dans le CAS « Entreprise/Gouvemance ». Conclusion : il existe des variations des scores factoriels selon les CAS.

Les variations des scores factoriels positifs indiqueraient que dans la partie positive il y aurait structuration d’une information sur 1’ « Ambiance » ; alors que ce serait le contraire dans l’autre partie caractérisée par des scores négatifs.

L’avant dernier facteur se caractérise par les scores ci-dessous :

Sc. Facteur ORGANISATIONNEL

Les variations des scores du facteur « Organisationnel » représentées sur un graphique se présentent comme suit :

Sc. Facteur ORGANISATIONNEL

Le graphique montre que dans la partie positive le facteur « Organisationnel » obtient un score plus élevé dans le CAS « Organisation/Gestion », puis un score relativement important dans le CAS

« Institution/Gouvemance », et un score très faible dans le CAS « Organisation/Gouvemance ». Dans la partie négative, il obtient un score plus élevé (en valeur absolue) dans le CAS

(25)

« Entreprise/Gouvemance », puis un score relativement faible(en valeur absolue) dans le CAS

« Institution/Gestion » et un score très faible (en valeur absolue) dans le CAS « Entreprise/Gestion). Il y a donc variation des scores factoriels selon les conditions expérimentales définies.

Les scores du dernier facteur nommé « Contrôle » selon les CAS sont repris ci-après : Sc. Facteur CONTROLE

Les variations des scores factoriels ci-avant sont représentées comme suit ;

Sc. Facteur CONTRÔLE

Dans la partie positive du graphique, le facteur « Contrôle » obtient un score plus élevé dans le CAS « Entreprise/Gouvemance » et un score élevé dans les CAS « Entreprise/Gestion ». Dans la partie négative, il obtient un score plus élevé (en valeur absolue) dans le CAS

« Organisation/Gestion », un score relativement faible (en valeur absolue) dans les CAS

« Institution/Gouveraance », et des scores faibles dans les CAS « Organisation/Gouvemance » et

« Institution/Gestion ». Ceci montre qu’il existe donc des variations de scores factoriels selon les CAS.

Pour approfondir cette étude factorielle, nous procédons à une analyse de la variance à un facteur ; ce qui permettra de répondre à la question posée au début (de l’analyse).

ANOVA

A partir du tableau (cf. Annexe Tableau n° 19), nous relevons certains résultats nous intéressant ; la variance inter-groupes est égale à la somme des carrés/ddl (où ddl signifie « degrés de liberté ») ; la variance intra-groupes est égale à la somme des carrés/ddl ; et F est égal au rapport entre

(26)

les deux variances, c'est-à-dire la variance inter-groupes/variance intra-groupes. Nous relevons ensuite les valeurs associées à chaque facteur :

Facteur « Relationnel » ; la variance des scores factoriels entre les CAS (inter-groupes) ou liée aux conditions expérimentales est de 2,106 ; F = 2,145 ; p = 0,060 ;

Facteur « Institutionnel » ; la variance des scores factoriels entre les CAS (inter-groupes) ou variance liée aux conditions expérimentales est de 3,183 ; F = 3,302 ;

P = 0,006 ;

Facteur « Ambiance » : la variance des scores factoriels entre les CAS ou variance liée aux conditions expérimentales est de 0,722 ; soit F = 0,719 ; p = 0,610 ;

Facteur « Organisationnel » ; la variance des scores factoriels entre les CAS (inter-groupes) ou variance liée aux conditions expérimentales est de 1,077 ; soit F = 1,078 ; p = 0,372

Facteur « Contrôle » : la variance des scores factoriels entre les CAS (inter-groupes) est de l,092;soitF=l,093;p = 0,364.

Si on considère le seuil de signification p = 0,05, on rejette l’hypothèse nulle basée sur l’égalité des moyennes seulement pour le cas des variations des scores du facteur « Institutionnel ».

Les autres facteurs présentent des variations qui montrent un F très faible et p > 0,05.

L’expérience réalisée montre que ce que mesurent les variables initiales, c’est-à-dire les items qui ont contribué à construire le facteur « Institutionnel », diffère significativement selon les conditions expérimentales en considérant un seuil de signification (ou risque d’erreur) de 5%. De ce point de vue, les scores de ce facteur varient significativement selon ces conditions. Cependant, les valeurs associées aux autres facteurs montrent un F très faible, ce qui indique que la différence entre les moyennes des carrés n’est pas significative, le rapport entre la variance inter-groupes et la variance intra-groupes n’est pas suffisamment élevé, et donc les variations de scores factoriels ne sont pas significatives.

En définitive, le facteur « Institutionnel », l’un des construits latents du modèle factoriel, montre, à partir de ces résultats, qu’il y a des différences significatives de scores factoriels selon les CAS. En conséquence, ceci permet de répondre à notre question de départ.

Conclusion

Une conclusion mérite d’être formulée sur deux points essentiels : les variations des scores factoriels et l’ANOVA proprement dite.

1°. Sur les variations des scores factoriels

L’analyse des scores factoriels montre que les scores factoriels varient selon les conditions expérimentales. Certains facteurs présentent des scores plus élevés dans certaines conditions que dans d’autres, moins élevés ou plus faibles dans d’autres encore. Par ailleurs, certains facteurs présentent des scores négatifs, avec des niveaux différents, dans certains CAS.

(27)

En pratiquant une analyse facteur par facteur, nous aboutissons à des conclusions différentes.

De façon synthétique : il existe des variations de scores pour les facteurs « Relationnel »,

« Institutionnel », « Ambiance, « Organisationnel », et « Contrôle » selon les conditions expérimentales ; ce qui signifie en d’autres mots que ces dernières font varier les scores des facteurs.

Cependant, ces variations ne sont pas significatives pour les scores de tous les facteurs. Pour vérifier si ces variations de scores sont significatives ou non, une analyse de la variance à un facteur est chaque fois effectuée ; ce qui contribue à répondre effectivement à la question posée.

2°. Surl’ANOVA

Le but de l’analyse de la variance était de pouvoir répondre à la question suivante : Est-ce que les six conditions expérimentales (CAS) font varier les scores factoriels ? La conclusion au point précédent montre qu’il y a bel et bien des variations selon ces conditions. L’ANOVA permet alors de déterminer l’importance de ces variations suivant certains critères.

Ainsi, seules les valeurs associées au facteur « Institutionnel » montrent que ces variations de scores factoriels selon les conditions expérimentales peuvent être considérées comme significatives.

Ainsi, la réponse à la question posée n’est affirmative que pour ce facteur. Pour les autres facteurs

« Relationnel », « Ambiance », « Organisationnel » et « Contrôle », les analyses suggèrent que des variations des scores factoriels existent selon les CAS, mais qu’elles ne sont pas significatives au seuil de signification de 0,05.

1.1.3. Résultats des analyses factorielles et ANOVA, troisième partie du questionnaire

Analyses factorielles

La procédure reste identique : vérification des corrélations entre items ; indice KMO ; décision de mener ou non des analyses factorielles.

Vérification des corrélations entre items

Par la lecture de la matrice des corrélations entre les items, nous constatons que les items sont relativement corrélés. Nous enregistrons des corrélations posiüves et des corrélations négatives.

Quelques exemples :

corrélations négatives. Il s’agit du cas des items « où le contrôle du C.A est continu » et « qui favorise les relations informelles » avec un coefficient de (-0,006), « dont le C.A dispose de nombreux comités spécialisés (ex. comité d’audit, des salaires, ...) » et «où le président du C.A est en même temps président de la direction » avec un coefficient de (-0,009), « où il y a possibilité de refus pour les échelons inférieurs » et « où le président du C.A est en même temps président de la direction» avec un coefficient de (-0,214), «dont la structure est faiblement hiérarchisée » et « avec un chef qui transmet utilement les ordres et décisions »

(28)

avec un coefficient de (-0,262), « qui fonctionne principalement selon un cadre formel » et

« qui favorise les relations informelles » avec un coefficient de (-0,367) ;

corrélations positives. L’item « avec un chef qui transmet utilement les ordres et décisions » est positivement corrélé avec l’item « qui a une structure hiérarchique explicite » avec un coefficient de corrélation de (0,383). C’est le cas aussi des items ; « où les décisions importantes sont prises par consensus » et « où les décisions importantes sont prises après consultation de tous », avec un coefficient de corrélation de (0,467) ; « où chaque acteur dispose d’une possibilité de contrôle de l’organisation » et « dont la structure est faiblement hiérarchisée », avec un coefficient de corrélation de (0,381) ;

corrélations faibles ou proches de zéro. Il s’agit des items « où le respect des droits des actionnaires est garanti » et « qui favorise les relations informelles », avec un coefficient de corrélation égal à (0,006) ; « où il y a une mise en œuvre de lignes directrices de bonne gouvernance » et « dont la structure est faiblement hiérarchisée », avec un coefficient de corrélation de (0,005) ; de « où la prise de décision est très hiérarchisée » et « qui a établi de manière explicite des lignes directrices de bonne gouvernance », avec un coefficient de corrélation de (0,002).

De façon générale, il y a des corrélations positives plus ou moins élevées, des corrélations négatives et des corrélations faibles même proches de zéro. L’indice KMO et le test donnent des résultats suivants :

Indice KMO et Test de Bartiett

Indice KMO et test de Bartiett

Mesure de précision de l'échantillonnage de Kaiser-Meyer-Olkin. ,786

Test de sphéricité de Bartiett Khi-deux approximé 2023,185

ddl 325

Signification de Bartiett ,000

L’indice KMO obtenu de 0,786 indique une validité moyenne : c'est-à-dire que les corrélations entre items sont moyennement bonnes. Il s’agit en fait d’une information complémentaire à celle que nous avons récoltée par le tableau de la matrice des corrélations inter-items. Le test de Bartiett, avec un coefficient de signification p = 0,000 < 5%, est significatif ; ce qui implique que l’on peut rejeter l’hypothèse nulle qui stipulerait que notre échantillon provient d’une population pour laquelle la matrice serait une matrice d’identité (ou matrice unité). Nous ne sommes pas en présence de variables qui sont indépendantes les unes des autres : il existe des corrélations de bonne qualité susceptibles de faire émerger des facteurs communs. Sur base de ces résultats, nous continuons l’analyse factorielle.