Vous êtes sur la page 1sur 54

Mesure ,validit et

Fiabilit

1: Le processus de Mesure
2 :
Qualit des instruments de
mesure
3: Le processus de construction des
chelles de mesure .

Le processus de mesure
Quest ce que mesurer ?
La mesure est une relation de

correspondance entre lobjet tudi et un


symbole le reprsentant .
Lobjet tudi doit tre pris dans le sens le
plus large, il peut sagir de produits ,
dindividus , dvnement ,.
La mesure cest galement .. Les rgles
dattribution de nombres a des
caractristiques des objets Les

caractristiques
Obje
t

de Lobjet

Que mesure t on ?
Les phnomnes directement observables:
Les comportements sont conceptuellement
observables (exemple ,Faire du sport, aller au
cinma, regarder la tlvision )
Les phnomnes non observables : il sagit
de processus mentaux, par exemple les opinions
( image de marque dune socit), les
attitudes lgard des loisirs, satisfaction .
Confiance , Engagement etc
Ces phnomnes nont pas de manifestation
physique, mais ils peuvent tre apprhends par
leurs verbalisations .

Le processus de mesure
La mesure tabli une correspondance entre un niveau
thorique ( identification conceptuelle du phnomne
tudi ) et un niveau empirique ( dfinition des
indicateurs reprsentant ce phnomne et sur les
quelle portent les oprations concrtes de mesure )

Benavent Christophe

Thorie de la mesure

Qualit des instruments de


Mesure

Un instrument de mesure doit satisfaire aux critres


suivants:
1. La validit :un instrument de mesure choisi doit
permettre de dapprhender le mieux le phnomne
que lon cherche mesurer.
1. La fiabilit ( Fidlit). Si on mesure un phnomne
plusieurs fois avec le mme instrument on doit obtenir
le mme rsultat.
3. La sensibilit : Linstrument de mesure doit tre
capable denregistrer les variations assez fine du
phnomne mesur( attitude , opinion ).
Les deux premiers critres sont les plus gnralement

Le modle de la vraie Valeur

La vraie Valeur reprsente la valeur idale cest--dire


qui correspond parfaitement au phnomne tudi .
1.Lerreur systmatique ( Biais ) : ce type derreur
provient du fait que linstrument de mesure peut avoir un
cart systmatique avec le phnomne tudi. ( par
exemple une balance qui affiche 975 g au lieu de 1 Kg
( erreur de mthode) .
2.Lerreur alatoire : le phnomne mesur par un
mme instrument peut tre sujet des alas tels que les
circonstances , Lhumeur des personnes interrogs .
Notre travail va donc consister rduire les erreurs de
mesure (lerreur systmatique et lerreur alatoire)
autant que possible

Erreur systmatique et erreur alatoire


1. Le problme de la fiabilit est concern

par lerreur
alatoire . En effet un
instrument est fiable si son utilisation
rptitive donne les mmes rsultats .
2. Le problme de la validit dpend de
lensemble des termes derreurs cest--dire
lcart entre la mesure obtenue et la mesure
idale.

Fiabilit des chelles de


mesure .
La fiabilit consiste a rduire lerreur alatoire de
la mesure .
Trois techniques pour rduire lerreur alatoire :
1. La technique du Test /retest : on pose la
mme question au mme sujet mais a des
moments diffrents ( dlai dune semaine ) . Ce
qui permet de voir si des diffrences apparaissent
en fonction des circonstances , des humeurs ou
des changements dopinions.

Fiabilit des chelles de


mesure .

1.La technique de split half( ou des deux moitis ).


On utilise le mme instrument au mme moment,
mais a des sujets diffrents . On scinde lchantillon
en deux et on compare les rsultats des deux
moitis . ( se pose le problme de la slection ( les
deux chantillons sont ils apparis ?).
2.La technique des formes alternatives (chelles
multiples ) on interroge les mmes sujets, mais avec
des instruments diffrents , au mme moment .
On introduit dans le questionnaire
plusieurs
questions
visant

mesurer
le
mme
phnomne , mais avec des formulations
diffrentes, ces questions peuvent tre disperses
dans le questionnaire .

Rsum des trois techniques damlioration


de la fiabilit
Echelle de
mesure

Sujets

Moment

Test retest

Mme

Mme

Diffrent

Split Half

Mme

diffrent

Mme

Mme

Mme

Formes
alternatives

diffrente

La techniques des formes alternatives est actuellement


largement prdominante dans les pratiques de recherche . En
effet il
est moins couteux daugmenter la dure du
questionnement que daugmenter le nombre de questionnaires (
taille dchantillon )

exemple dapplication Technique des


formes alternatives
Dans la technique des formes alternatives , les chercheurs
utilisent plusieurs items pour mesurer un construit thorique
.

Exemple :
On dcide de mesurer le concept Satisfaction Globale not SG
en utilisant trois items (SG1, SG2 et SG3) et on
administrant le questionnaire a plusieurs sujets.

SG1:

Mes expriences passes avec cette compagnie ont t


satisfaisantes.
SG

SG2 : Globalement , je suis satisfait de mes expriences avec cette


compagnie.

SG3: En Gnral, je suis satisfait de mes expriences avec cette


compagnie
SG1= SG + erreur1
Le modle de la vraie valeur
SG2= SG + erreur2
scrit
SG3= SG + erreur3

Reprsentation du construit thorique


( Satisfaction )

SG1= SG + erreur1
SG2= SG + erreur2
SG3= SG + erreur3

Distribution des items (SG1, SG2 et


SG3

Matrice de corrlation inter


items

Fiabilit de linstrument de mesure: LAlpha de


Cronbach

Question :
Comment mesurer globalement la fiabilit de linstrument de
mesure ?
Cest dire le niveau dhomognit dun bloc
de variables xi positivement corrles entre elles ?
Rponse :
Utilisation du Alpha de Cronbach

18

Le modle

xi ei , i 1,..., p

o :

vraie mesure
xi item n i

ei erreur de mesure
avec les ei et indpendants.

19

Dfinition du de Cronbach
Score H

x
i 1

de Cronbach = Cor 2 ( H , )
Formule de calcul du de Cronbach

Cov( x , x )
i j

Var ( H )

Var ( x )
i

Var ( H )

1, et = 1 lorsque toutes les corrlations entre les x i sont gales 1


et toutes les variances des xi sont gales.

20

de Cronbach pour items centresrduites

1
r
Cor ( x j , xk )

p( p 1) j k

Un bloc est considr comme homogne si :

0.6 pour des recherches


exploratoires
- 0.7 pour des recherches
confirmatoires
-

21

Statistique de Lalpha de
Cronbach

Validit des mesures


Les
instruments
de
mesure
choisis
doivent
permettre
dapprhender le mieux possible le phnomne que lon cherche
mesurer.
La validit est concerne par la rponse la question mesure-t-on ce
quoncherchemesurer?.
1. La validit faciale (ou validit de consensus) : elle est fonde sur
le jugement du chercheur (des experts), appuy par les pairs de sa
communaut scientifique au sein de laquelle linstrument utilis fait lobjet
dun consensus.
La validit de trait (ou validit de construit): ce type de
validit nous intresse plus particulirement; il sagit de savoir si
les indicateurs construits sont une bonne reprsentation du
phnomne tudier

Validit convergente et validit


discriminante

Deux formes permettent den vrifier la pertinence : il sagit de la validit


convergente et de la validitdiscriminante.

La validit de construit (convergente)

Plusieurs instruments de mesures diffrents du mme


concept arrivent ils bien aux mmes rsultats (forte
corrlation) ?
La validit de construit (discriminante)
Deux mesures conues pour des construits diffrents
ne peuvent pas avoir de forte corrlation entre elles.
(ex : amour/amiti)

Processus de construction des


chelles de mesure.
Le dveloppent des chelles de mesure multi
items a fait lobjet de nombreuses recherches
en sciences sociales
particulirement en
psychologie et en Marketing (comportement
du consommateur). Le modle prdominant
dans la construction des chelles de mesure
est le paradigme de Churchill

Paradigme de Churchill
1

Dfinition du domaine du
conceptuel

Phase exploratoire
(Purification )
-Gnration dun ensemble
ditems
-Purification de la mesure
(alpha de Cronbach ,AFE)

Phase confirmatoire
Validation sur de nouvelles
donnes

Purification des chelles de mesures.


On utilise lanalyse factorielle pour purifier les
chelles de mesure dun questionnaire. Cest dire
on limine les items qui nuisent la validit de trait
ou de construit .
Lanalyse Factorielle permet de sassurer que lchelle
value plus prcisment et exclusivement le construit
quelle est cense mesurer .
Lorsque le construit est unidimensionnel , LAFE fera
ressortir un seul facteur , plusieurs pour les construits
multidimensionnels
LAFE permet donc de vrifier la
dimensionnalit des concepts

Uni-dimensionabilit dun bloc de variables (items)


Question :
Un bloc de variables Xj est-il essentiellement
unidimensionnel ?
Rponse :
1) La premire valeur propre 1 de lanalyse en composante

principale du bloc est suprieure 1,


infrieures 1.

les autres sont

2) Chaque variable est plus corrle la premire


composante principale quaux autres composantes
principales.
3) Chaque variable Xj a une corrlation suprieure 0.5, en
valeur absolue, avec la premire composante.

29

Analyse factorielle versus ACP


Analyse en composante principale versus
Analyse factorielle
AFE
ACP

description
solution unique
explique la variance
orient individus

modle
indtermination
explique les corrlations
orient variables

Rsultats trs proches si les variances


spcifiques sont gales, ou si les p-k
dernires valeurs propres de lACP sont
presque nulles

Analyse
Factorielle
L'analyse en composantes principales (Principal components analysis)
chercheunesolutionqui(a)maximiselavarianceexpliqueet(b)avec
descomposantesorthogonales(c'estdireindpendantesentreelles).

L'analyse factorielle (Factor analysis) prsume que chaque variable


possde une variance en commun avec au moins une autre variable
ainsiquunevarianceuniquereprsentantsonpropreapport.Elletente
d'expliquer la variance qui est commune au moins deux variables
(facteur

Les objectifs de lanalyse factorielle


(option composantes principales)
Dcrire un tableau
(individus)(variables) :
- Rsumer un tableau de donnes laide dun
petit nombre de facteurs.
- Visualiser le positionnement des individus les
uns par rapport aux autres ( ressemblance )
( Notion de distance entre individus )
- Visualiser les corrlations entre les variables
( Notion de corrlation entre variables )
rechercher des groupes de variables
32
troitement lies entre elles (Peut on simplifier

Visualisation des donnes


F2(i)

X1 Xp

F1 F2

F1(i)

x1i xpi

F1i F2i

Le plan factoriel
Cor(Xj,F2)
0

Facteurs centrs-rduits
Tableau
des donnes rsumant les donnes

Xj
Cor(Xj,F1)

La carte des variables

Fh j1 u hjX j
p

(non corrls entre eux)

33

Dcomposition de la variance du nuage


en ACP

1 n 2
1 n 2
1 n 2
d ( Mi,0) d ( H i ,0) d ( M i , H i )

n i 1
n i 1
n i 1
Inertie totale = p

Inertie explique par U


Maximiser

Inertie rsiduelle
Minimiser

34
34

Analyse ACP

Lanalyse factorielle en Facteurs


commun et spcifique

Factor analysis ou analyse en facteurs communs et


spcifiques
Charles Spearman (1904) : modle unifactoriel i
Y facteur commun, ei facteur spcifique, i saturation ou factor
loading

Modle Factoriel
La prise en compte des erreurs de
mesure

Analyse Factorielle en Facteurs communs


et spcifique
Thurstone: modle
plurifactoriel , m facteurs

Modle de rgression multiple multilinaire sur variables


inobservables
1 = 11Y1 + + 1mYm + e1
Le modle X
..
.
Xi = i1Y1 + + imYm + ei
..
.

Xp = p1Y1 + + pmYm +
ep :
o :
Hypothses
xi centrs (rduits) , Yj centrs rduits
indpendants entre eux
ei centrs indpendants entre eux V(ei)= i

38

X1 = 11Y1 + + 1mYm + e1
..
.

Le modle

Xi = i1Y1 + + imYm + ei
..
.

Xp = p1Y1 + + pmYm + ep

scrit aussi X 1

11 L 1m

M
M

X p p1 L pm
{ 1 4 4 2 4 43

Y1
M


Ym
{

e1
M

em
{

X =Y + e
39

Dcomposition de la variance
dune variable
La variance d'une variable originale peut tre
dcompose
en une part commune aux autres
variables, explique par les facteurs, nomme
communaut de la variable (communality), et en
une part spcifique, nomme variance spcifique
(specific variance).
Calcul des spcificits i

Xi = i1Y1 + + imYm + ei

Var(X i ) 1

ij

j1

hi 2 =
communaut

i
Var(ei) =
spcificit

Formule gnrale
1 Cor(X1 , X 2 ) L

1
L

11 12

22
21

M M

p1 p2
1 4 4 42

Cor(X1 , X p )
Cor(X 2 , X p )
M

1m 11 21
L 2m 12 22
M M
M
M

L pm 1m 2m
4 4 4 3 1 4 4 44 2
L

p1
1 0
L p2
0 2

M M M M

L pm
0
0
4 4 4 43 1 4 4 4 2
L

'

0
0 0
O
M

L p
4 4 43
0

R = +
41

Les objectifs de lAF orthogonale

Lanalyse factorielle orthogonale consiste recherch


une dcomposition de la matrice des corrlations R d
la forme :

R = +
Les ij sont les saturations et les i les spcificits.
Mthodes usuelles dextraction des saturations :

Analyse en composantes principales


- Mthodes des facteurs principaux
- Mthodes des moindres carrs
Mthodes des moindres carrs
pondrs
- Maximum de vraisemblance
-

42

Analyse Factorielle
(Option analyse en composantes
principales)

Les donnes

p variables X1,, Xp centresrduites.


Estimation des facteurs Y1,
, Ym
Les m premires composantes principales rd
Choix de m
Nombre de valeurs propres suprieures
1.
43

Exemple

Rponses motionnelles :

Plaisir
Stimulation
Ambiance
musicale

Ractions comportementales

Montant dpens
Temps pass
Achats impulsifs
Vitesse de circulation

Type
Volume
Tempo

Evaluation de
latmosphre du
magasin.
Rponses cognitives

Echelle de mesure du Plaisir


Avec ces conditions musicales (style classique, volume faible et rythme
lent), je me sens...

Malheureux

heureux

contrarie

content

insatisfait

satisfait

Triste

Gai

Dsespr

optimiste

Une seule composante dont la


valeur propre >1

hi2

Calcul des communauts (communalities)


m

j1

j1

h i2 R 2 (X i ; Y1 ,..., Ym ) cor 2 (X i , Yj ) ij2

Calcul des saturations ( Loading )

ij

Les loadings ij sont les coefficients de rgression des


Yj dans la rgression de Xi sur les facteurs Y1,, Ym.
Les facteurs tant orthogonaux (= non corrls) on a :
ij = Cor(Xi, Yj)

Dcomposition de la
variance totale

Qualit de la dcomposition

Var(Xi ) p
i 1

Variance
totale

i1 ...
i

Variance
explique
par Y1 ( = 1)

im
i

Variance
Variance
rsiduelle
explique
par Ym ( = m)
50

Exemple 2

plaisir

stimulation

Heureux / Malheureux

Plein dnergie / Sans nergie

Content / Contrarie

Eveill / Endormi

Satisfait / Insatisfait

Stimul / Non stimul

Gaie / Triste
Optimiste / Dsespr

Mesure de stimulation

Composant Qualit de
Alpha de
e
reprsentatio Cronbach en cas
n
de suppression
1
de l'lment

sans nergie - plein d'nergie

,855

endormi - veill

,872

non stimul - stimul

,828

Valeur propre
% de variance explique

Alpha du facteur

2,176
72,535

0,81

,731

,734

,760

,703

,685

,773

Exemple 3
Veuillez indiquer votre degr d'accord avec les affirmations suivantes :
Pas du tout

Pas daccord

Moyennent daccord

daccord

Tout fait daccord

daccord

Avec ces conditions musicales(style classique, volume faible et rythme lent), latmosphre du supermarch sera
Plaisante

stimulante

dsagrable

endormante

agressive

relaxante

sympathique

dynamisante

Rsultats final
Matrice des composantes aprs rotationa

Composante
1

Qualit de reprsentation
2

atmosphre plaisante

,336

,767

,701

atmosphre stimulante

,157

,797

,660

atmosphre non agressive (calmante)

,821

-,129

,691

atmosphre relaxante

,786

,152

atmosphre sympathique

,681

,371

atmosphre dynamisante

-,015

,761

,606

,260

32,31

29,24

,736

,711

atmosphre non dsagrable (agrable)


% de la variance (61,5%)
Alpha de Cronbach

,642
,602
,580
,435