XLSTAT: Effectuer une Analyse Factorielle Confirmatoire avec PLS-PM dans Excel

 

Contexte

L’Analyse Factorielle Confirmatoire (AFC) est une méthode statistique utilisée pour vérifier si les données confirment un modèle théorique prédéfini, en évaluant les relations entre variables observées et latentes. Dans le contexte de PLS-PM, l’AFC permet de valider la qualité des blocs de mesure en confirmant que les indicateurs choisis reflètent bien les construits latents qu’ils sont censés représenter.

 

Jeu de données

250 clients d’un opérateur de téléphones portables ont été contactés afin de répondre à un grand nombre de questions pour modéliser leur fidélité envers l’opérateur. Le modèle PLS-PM est basé sur l’indice de satisfaction européen des clients (ECSI).

 

Paramétrage

• Définir les variables latentes et les variables manifestes associées de votre modèle à l’aide de la barre de commande disponible sur la feuille du graphique. Allez voir le tutoriel Créer et exécuter un modèle PLS-PM [NS5] simple pour une explication plus détaillée sur la construction d’un modèle PLS-PM.

• Cliquez sur le bouton avec la double flèche pour créer des liens à double sens entre toutes les variables latentes et configurez votre modèle pour une Analyse Factorielle Confirmatoire.

• Vous obtenez alors le modèle suivant :

• Cliquez sur le bouton pour lancer les analyses.

• Dans l’onglet Général, assurez-vous de sélectionner la méthode PLSPM.

• Cliquez sur le bouton OK.

• Les résultats sont affichés dans une nouvelle feuille Excel.

 

Interprétation des résultats

L’Analyse Factorielle Confirmatoire a pour objectif principal de vérifier si le modèle de mesure, c’est-à-dire les relations entre les variables manifestes et les variables latentes, décrit correctement les construits latents auxquels ces variables sont rattachées.
Pour interpréter les résultats, vous pouvez donc vous concentrer sur le tableau de la fiabilité des blocs et sur celui des corrélations/loadings pour vérifier la fiabilité des variables.

Dans notre cas, l’alpha de Cronbach est en-dessous de son seuil pour les variables Attente et Fidélité. Néanmoins, le rho de Dillon et Goldstein est toujours supérieur à 0,7. Finalement, la première valeur propre est beaucoup plus grande que la seconde dans beaucoup de cas. Ces résultats nous poussent à considérer que les blocs sont unidimensionnels et confirment la validité du modèle.

Ensuite, la plupart des corrélations sont toutes proches de 0.7 ce qui indique que les variables manifestes participent de manière satisfaisante à l’explication de la variable latente. En revanche, la corrélation de la variable CUSL2 avec le construit Fidélité est faible. Cela peut indiquer que cette mesure a été mal conçue ou qu’elle ne correspond pas réellement à la notion de Fidélité. Dans ce cas, il serait préférable de supprimer cet indicateur afin de ne conserver que des variables qui expliquent de manière suffisante la variable latente.