Evaluation du questionnaire et validation des échelles de

mesure

1 Les critères de qualité des instruments de mesure

Selon Evrard & al. [2000, p.288], deux critères importants permettent de juger de la qualité d’un
instrument de mesure : il s’agit de sa fiabilité (ou fidélité) et de sa validité.

1.1 La fiabilité
La fiabilité de l’outil de mesure est satisfaisante lorsque celui-ci est suffisamment stable et
cohérent : le même phénomène mesuré plusieurs fois avec le même instrument doit permettre
d’obtenir le même résultat, et les énoncés constituant l’outil de mesure doivent permettre au
répondant d’apporter des réponses cohérentes. La fiabilité peut donc être évaluée de plusieurs
manières :
- La stabilité de l’outil peut être estimée dans le temps en administrant le même questionnaire à la
même population à deux moments différents (méthode du test-retest). Elle peut également être
évaluée auprès de sujets différents, en administrant en même temps le même questionnaire à deux
échantillons différents (méthode des deux moitiés ou « split-half »). En pratique cette méthode
des deux moitiés consiste soit à scinder l’échantillon de l’enquête en deux moitié et vérifier que
les résultats obtenus sur les deux moitiés sont suffisamment corrélés, soit à scinder en deux les
items d’une échelle de mesure et vérifier que les deux demi-échelles donnent des résultats corrélés
sur l’ensemble de l’échantillon [Igalens & Roussel – 1998].
- La méthode recommandée pour mesurer la cohérence interne (appelée aussi homogénéité ou
consistance) des échelles de mesure est généralement le calcul du coefficient Alpha de Cronbach
[Cronbach - 1951]. Ce coefficient permet de vérifier si tous les items se réfèrent à des notions
communes, autrement dit si chaque item présente une cohérence avec l’ensemble des autres items
de l’échelle [Igalens & Roussel – 1998, p141].
Il peut se calculer en utilisant la formule simplifiée suivante [extraite de Peterson – 1994] :

avec : N = nombre d’énoncés de l’échelle et = moyenne de tous les coefficients de corrélation entre les énoncés.
Le coefficient varie entre -∞ et +1 ; une échelle est considérée comme d’autant plus fiable que
Alpha est proche de +1.

285
Les niveaux généralement admis en sciences sociales sont les suivantes (d’après Peterson – 1994 ;
Evrard & al. – 2000 ) :
Alpha > 0,9 Fiabilité très forte mais qui risque d’être artificielle en sciences sociales
si elle dépasse 0,95 (probabilité de redondance sémantique entre les
items liée à la multiplication d’énoncés trop proches)134
Alpha compris entre Bonne fiabilité (niveau recommandé dans les analyses confirmatoires)
0,8 et 0,9
Alpha compris entre Fiabilité acceptable dans une phase exploratoire
0,7 et 0,8
Alpha compris entre Fiabilité éventuellement acceptable pour une recherche à caractère
0,6 et 0,7 exploratoire (sinon, l’échelle doit être épurée)
Alpha compris entre Fiabilité limitée
0,5 et 0,6 (l’échelle doit être épurée)
Alpha < 0,5 Fiabilité insuffisante
(l’échelle doit être révisée ou abandonnée)

Une méta- analyse menée par Peterson [1994] sur 882 articles lui a permis d’isoler les niveaux
moyens constatés en fonction des échelles étudiées : dans les articles intégrant des échelles de
mesure d’attitude, l’alpha moyen est de 0,76 (0,79 pour les études intégrant une mesure de
l’implication). Igalens & Roussel proposent de d’utiliser ces résultats comme norme de fiabilité
[1998, p.145]. Dans le cadre de notre étude, nous testerons donc l’homogénéité des échelles de
mesure grâce au coefficient Alpha de Cronbach, en nous référant à ces résutats commpe guide
d’interprétation.

1.2. La validité
La validité d’un outil de mesure correspond à sa capacité à mesurer effectivement et efficacement
le construit visé. Cette notion est propre au champ des sciences sociales, dans lesquelles la
recherche porte souvent sur des concepts abstraits, non directement observables [Drucker & al..
1999]. Cette validité doit être envisagée à plusieurs niveaux : on distingue habituellement la
validité de contenu, la validité de trait et la validité prédictive.

1.2.2 La validité de contenu ou validité faciale

Il s’agit d’une évaluation subjective mais systématique de la manière dont le contenu d’une échelle
représente bien le construit à mesurer [Malhotra – 2004 p 209]. Ce type d’évaluation est en
général réalisé par le chercheur, qui peut s’appuyer également sur le jugement de ses pairs : le
critère de validité repose alors sur la notion d’accord intersubjectif. Une échelle de mesure sera
donc jugée valide si elle fait l’objet d’un consensus auprès d’un certain nombre d’experts. La
vérification de la validité de contenu apparaît à la fois comme la première étape et le minimum
134
Le coefficient alpha est sensible au nombre d’énoncés dans une échelle : la multiplication d’énoncés
sémantiquement proches fait augmenter mathématiquement le niveau de l’alpha [Cortina – 1993]

286
requis lorsque l’on souhaite mesurer l’adéquation de l’outil de mesure par rapport aux concepts à
mesurer [Schrieschen & al. – 1995].
En pratique, tester la validité de contenu d’un outil de mesure consiste à soumettre celle-ci au
jugement de deux types d’évaluateurs : il s’agit en premier lieu des experts du domaine étudié
(chercheurs ou professionnels connaissant bien le sujet) et en second lieu des représentants de la
population à qui est destinée l’étude. A l’issue de cette opération, une première épuration des
différentes échelles peut être réalisée en supprimant les items peu compréhensibles ou mal
adaptés à la population visée, ainsi que les items peu représentatifs du concept, ambigus ou
redondants [Roussel – 2005].
En ce qui concerne la présente étude, la validité de contenu sera évaluée lors d’un pré-test auprès
d’un échantillon composé de d’experts du domaine (responsables d’agence) et d’intérimaires.

1.2.2. La validité de construit ou validité de trait

Tester la validité de construit dans une logique quantitative revient généralement à évaluer la
représentativité statistique des items d’une échelle de mesure [Drucker & al.. 1999] : il s’agit pour
le chercheur de s’assurer de la validité convergente et discriminante du construit. La validité
convergente est assurée si l’on peut vérifier que les énoncés issus d’une échelle et destinés à
mesurer un construit particulier soient suffisamment corrélés entre eux, ou que différents outils
de mesure du même construit donnent des résultats convergents. La validité discriminante est
assurée lorsque les items de l’échelle se distinguent suffisamment des items censés mesurer
d’autres phénomènes voisins.
Plusieurs méthodes sont utilisables pour apprécier la validité convergente et discriminante : l’une
des plus souvent recommandée est la matrice multitrait- multiméthodes [MTMM, Campbell &
Friske – 1959], qui consiste à mesurer un construit multidimensionnel en utilisant plusieurs
méthodes : l’application de cette méthode dans le champ de l’implication organisationnelle
conduit par exemple le chercheur à mesurer les trois composantes de l’implication (affective,
calculée et normative) en utilisant plusieurs échelles de mesure (ex : échelles tri-dimensionnelle de
Meyer & Allen et d’O’Reilly & Caldwell). Cette méthode est rigoureuse, mais difficile à employer
dans une étude telle que la notre, comportant plusieurs échelles de mesure, car elle alourdit
considérablement le questionnaire et le rend difficilement testable.
La difficulté de mise en place de la méthode MTMM conduit souvent les chercheurs à lui préférer
l’analyse factorielle, dont l’utilisation dans le domaine de la GRH progresse constamment depuis
les années 60 [Igalens & Roussel – 1998, p.153]. Ce type d’analyse permet de juger à la fois de la
validité convergente et discriminante des échelles de mesure. On peut schématiquement affirmer

287
que la validité convergente (capacité à mesurer précisément le concept) est assurée lorsque les
résultats de l’analyse factorielle montrent que les items d’une échelle sont suffisamment corrélés à
un facteur, et la validité discriminante (capacité à mesurer uniquement le concept) est assurée
lorsque ces items sont corrélés de manière claire à un seul axe si le construit théorique sous-jacent
est considéré comme unidimensionnel, ou à plusieurs axes (sans chevauchement) lorsque le
construit est considéré comme multidimensionnel.
Dans le cadre de la présente étude, nous utiliserons donc l’analyse factorielle pour évaluer la
validité des échelles de mesure multiples destinées à mesurer certaines variables. Bien que
plusieurs échelles de notre questionnaire aient déjà fait l’objet de procédures de validation, nous
entreprendrons de nouveaux tests, en suivant les propositions d’Igalens & Roussel [2005 p.106]
qui recommandent de procéder à une vérification de fiabilité et de validité pour les questionnaires
incorporant des outils préexistants, mais destinés à être utilisés dans un contexte différent de celui
pour lequel ils ont été conçus.

1.2.3. La validité prédictive ou validité nomologique

La validité nomologique ou prédictive d’un construit peut se définir comme « le degré auquel les
prévisions fondées sur un concept, qu’un instrument est censé mesurer, sont confirmées »
[Zaltman & al- 1973, cités par Drucker Godard & al. – 1999 p 259]. Comme le remarquent
Igalens & Roussel [1998], cette validité prédictive ne peut être évaluée qu’au moment de l’étude
des relations empiriques entre les concepts. Il s’agit alors de vérifier que les prédictions théoriques
concernant les relations entre les concepts mesurés sont vérifiées par des tests portant sur les
données empiriques. Dans le cas de notre recherche, la validité nomologique pourra donc être
évaluée lors de la phase de discussion des résultats obtenus suite aux tests réalisés sur les
hypothèses de notre modèle (voir chapitre suivant).

2. Le pré-test du questionnaire
Le pré-test de notre questionnaire d’enquête poursuit deux objectifs : évaluer la validité de
contenu et la faisabilité. Ce pré-test a été auprès d’un échantillon de 11 personnes : 2 chercheurs,
5 intérimaires et 4 responsables d’agences.
Nous souhaitions principalement évaluer lors de ce pré-test la transférabilité des échelles de
mesure de certaines variables auprès d’une population de salariés intérimaires. Il faut en effet
remarquer que la validité de contenu au sens strict ne constituait pas un problème majeur, étant
donnée que les échelles de mesure que nous avons choisi d’utiliser ont toutes été préalablement
testées auprès d’échantillons de salariés ; certaines d’entre elles (ex : échelle d’implication
organisationnelle, échelle de soutien organisationnel perçu) ont même été utilisées dans de très

288
nombreuses études : on peut donc considérer que leur validité de contenu a été déjà éprouvée au
sein de la communauté scientifique.
Il s’agissait donc surtout pour nous de vérifier que le questionnaire d’enquête était adapté à la
population visée, et que les différents énoncés pouvaient s’appliquer à la situation des salariés
intérimaires.
Sur le plan pratique, nous avons demandé aux salariés intérimaires de remplir le questionnaire en
notre présence, en faisant part de leurs remarques ou de leurs difficultés au fur et à mesure de
l’exercice. En ce qui concerne les responsables d’agence et les enseignants, nous leur avons
demandé de lire et commenter le document.
Deux remarques importantes sont apparues de manière récurrente dans le discours des
professionnels du secteur (intérimaires et responsables d’agence) : le questionnaire original, qui
comportait 98 questions a été jugé trop long, et les échelles de mesure de type Likert ont été
jugées répétitives, avec certains énoncés considérés comme trop complexes ou peu réalistes.
En premier lieu, nous avons constaté que c’est la longueur du questionnaire qui a fait l’objet des
critiques les plus sévères : les intérimaires ont jugé le questionnaire trop long, et les responsables
d’agence nous ont affirmé que l’administration d’une telle enquête était quasi-impossible, compte
tenu de la population concernée. Plusieurs responsables nous ont affirmé procéder eux-mêmes à
des enquêtes de satisfaction auprès de leurs intérimaires, et ont mis l’accent sur le très faible taux
de retour obtenu. L’une des responsables d’agence ayant participé au pré-test nous a par exemple
confié les difficultés et les réticences des intérimaires peu qualifiés vis-à-vis de la « paperasse »,
même lorsqu’il s’agit de documents importants comme les contrats ou les certificats de travail.
En second lieu, la présence de plusieurs groupes de questions avec des formats de réponse sous
forme d’échelles (de type Likert ou sémantique-différentielles) a dérouté plusieurs répondants. Le
côté répétitif de l’exercice a été souvent souligné, et plusieurs items ont posé des difficultés de
compréhension ou ont été jugés inadaptés.
On peut illustrer ces difficultés en prenant l’exemple de l’énoncé n°10 de l’échelle d’implication
dans la valeur-travail (« Je continuerai probablement à travailler même si je n’avais pas besoin
d’argent »). Plusieurs répondants intérimaires ont jugé cette question fantaisiste ou mal posée :
un intérimaire nous a par exemple fait remarquer que tout dépendait du type travail et du
montant de la somme d’argent135. Certains responsables d’agence ont pour leur part considéré
que cette question était peu pertinente vis à vis de répondants exerçant des professions pénibles
et peu valorisées.
Face à l’ensemble de ces critiques, nous avons donc choisi de réduire la longueur de plusieurs
135
Il est intéressant de noter que cette limitation a été également mise à jour par Harpaz, [1988] lors d’enquêtes
sur la valeur-travail incorporant ce type de « questions de loterie ».

289
échelles, en éliminant les items jugés peu pertinents ou difficiles à comprendre par les répondants
et les experts. Nous avons également modifié la rédaction de certaines questions pour les rendre
plus accessibles. La liste des items écartés à la suite du pré-test est présentée en annexe 6. La
réduction de la longueur des échelles peut apparaître critiquable, en raison des risques
d’affaiblissement de la validité et de la fiabilité des outils, mais ces risques doivent être comparés
aux risques de lassitude des répondants, d’effet de halo et de multiplication de non-réponses
causés par un questionnaire trop complexe.
La réduction du nombre d’items dans les échelles de mesure d’attitudes ne réduit pas
nécessairement leur fiabilité, à condition d’en conserver un nombre suffisant : il est généralement
admis qu’un minimum de trois items peut être suffisant pour assurer la fiabilité d’une échelle
d’attitude multiple [Cook & al. – 1981], et que les échelles courtes sont considérées comme un
moyen efficace de minimiser les biais de réponse [Schmitt & Stultz – 1985, Schrieschen & al.
1990]136. Igalens & Roussel [2005, p 106] recommandent ainsi de se limiter à 4 à 6 items par
construit ou variable, afin de limiter la longueur du questionnaire. Des versions réduites du
questionnaire d’implication organisationnelle de Meyer & Allen ont par exemple été employées
dans les études sur l’implication des intérimaires : on peut citer en exemple Connelly, Gallagher
& Gilley [2006], qui utilisent 4 items par dimension d’implication.
A la suite du retrait d’un certain nombre d’énoncés, et de la reformulation de certains autres,
notre questionnaire d’enquête a été réduit à 86 items. Cette version (présentée en annexe 7) a été
soumise à une procédure de validation destinée à évaluer la fiabilité et la validité de construit des
différentes échelles multiples utilisées dans notre modèle, que nous allons détailler dans les
paragraphes suivants.

3 Constitution de l’échantillon et administration de l’enquête

3.1 Constitution de l’échantillon
3.1.1 La cible de l’enquête
Notre étude demeure exploratoire : les salariés intérimaires ont fait l’objet de peu d’études
empiriques dans le domaine de la GRH en France : leurs attitudes (en particulier leur implication
au travail) sont encore peu explorées.
Nous avons choisi de réunir un échantillon de convenance, fondé sur la variété des profils
d’intérimaires : nous avons tenté de réunir des salariés des deux sexes, d’âge et de profession et de
niveaux de qualification variés. Cette méthode empirique est la plus souvent employée dans les

136
Une méta analyse menée par T. Hinkin [1995] portant sur 277 échelles de mesure utilisés dans des études
menées en sciences sociales montre que les échelles les plus fréquemment utilisées comportent 4 items (suivies
des échelles comportant 3, puis 5 items)

290
recherches quantitatives dans le domaine de la GRH [voir Igalens & Roussel – 1998 p121], et
dans les sciences sociales en général : elle consiste pour le chercheur à contacter toutes les
personnes possibles correspondant à la définition précise de la population ciblée.
Nous avons vu dans le deuxième chapitre que les salariés intérimaires ont des profils
socioprofessionnels spécifiques : ils sont moins qualifiés que la moyenne des salariés, et ils
travaillent principalement dans l’industrie et le BTP, et, dans une moindre mesure, dans le secteur
tertiaire. Afin de varier notre échantillon tout en nous adaptant aux particularismes de la
population enquêtée, nous avons pris contact avec plusieurs agences d’intérim, spécialisées dans
des domaines variés. Quatre agences ont accepté de participer à notre enquête (deux agences
généralistes, une agence spécialisée dans le BTP et une agence spécialisée dans l’industrie).

3.1.2. La détermination de la taille de l’échantillon

La détermination de la taille de l’échantillon est dépendante des techniques d’analyse de données
choisies. Dans notre cas, nous avons prévu d’utiliser les méthodes d’analyse factorielle lors de
l’analyse exploratoire des échelles de mesure, puis des méthodes d’équation structurelles lors de
l’analyse confirmatoire et d’une partie des tests d’hypothèse (en association avec des analyses de
variance et de régression).
La taille minimale conseillée pour un échantillon destiné à faire l’objet d’une analyse factorielle
exploratoire varie selon les auteurs entre 4 et 10 répondants par variables [Hinkin – 1995]. Dans
les études comportant plusieurs échelles, ce nombre se calcule en fonction du nombre d’énoncés
de l’échelle la plus longue (dans notre étude, il s’agit de l’échelle d’implication organisationnelle,
qui comporte 14 énoncés). Dans ce cadre, la taille minimale de l’échantillon serait donc de 70
salariés et la taille correspondant au niveau d’exigence le plus élevé devrait être de 140
répondants.
En ce qui concerne l’usage des méthodes d’équation structurelles, Roussel & al [2002, p. 49]
recensent différentes recommandations, et proposent des seuils minimum concernant le nombre
de répondants (au moins 5 individus par paramètre à estimer dans un modèle d’équations
structurelles, avec en tout état de cause un échantillon de 100 à 150 individus minimum). Dans un
ouvrage plus récent Roussel [2005] recommande finalement de réunir au moins 200 individus
lorsque des procédures d’analyse exploratoire et confirmatoire sont envisagées. Nous nous
sommes finalement fixés un objectif de 200 répondants, permettant de satisfaire les seuils
minimums exigés. La taille de cet échantillon nous apparaît également satisfaisante, car elle est
supérieure à la moyenne des échantillons d’intérimaires réunis dans les études que nous avons
collectées dans notre revue de littérature (voir chapitre 2).

291
3.2. Mode d’administration
Lors de nos entretiens exploratoires et des pré-tests du questionnaire avec les directeurs d’agence,
nous avons envisagé les différents modes d’administration d’enquête.
Nous nous sommes rapidement rendus compte que l’administration de l’enquête par voie postale
risquait d’être vouée à l’échec, car plusieurs responsables d’agence ont insisté sur le fait que le
contact par courrier avec les intérimaires était souvent difficile (particulièrement semble-t-il pour
les salariés des secteur du BTP). La longueur de notre enquête et la complexité des certaines
questions était également jugées excessives (malgré la reformulation et la suppression de certaine
d’entre elles) : un responsable d’une grande enseigne nous a par exemple communiqué des
questionnaires internes de satisfaction ne dépassant pas 10 énoncés pour lesquels il ne parvenait
pas à obtenir un taux de retour suffisant.
Nous avons alors opté pour une auto administration encadrée du questionnaire, en contact
direct [Roussel- 2005 p 254]. Cette méthode présente l’avantage de pouvoir expliquer aux salariés
en face à face le « mode d’emploi » du questionnaire, mais elle réclame beaucoup de temps car les
salariés intérimaires doivent être contactés individuellement : les ETT n’organisent en effet
pratiquement jamais des réunions avec leurs salariés, ou des séances de formation collectives
durant lesquelles les enquêtes auto administrées par contact direct sont réalisables auprès d’un
ensemble de salariés.
Les intérimaires ont donc été sollicités individuellement pour remplir le questionnaire lors de leur
passage dans l’agence, en restant sur place : ceci a permis de communiquer des consignes claires
sur la manière de remplir le document, et de fournir des explications éventuelles. Nous avons
contrôlé l’administration d’une partie des enquêtes, et les autres ont été confiées à des personnes
travaillant dans les agences de travail temporaires.
Cette méthode s’est avérée efficace et rentable : la qualité globale des questionnaires recueillis est
bonne (peu d’entre eux ont du être éliminés ; le nombre de valeurs manquante dans les
questionnaires conservés est faible). L’enquête a été administrée dans quatre agences de travail
temporaire (trois d’entre elles étaient situées dans la région PACA et une en Bretagne).
Nous avons recueilli un total de 217 questionnaires : 9 d’entre eux ont été éliminés pour
différentes raisons (plusieurs pages non remplies, incohérences dans le renseignement des
échelles de type Likert ou lassitude manifeste du répondant l’ayant conduit à interrompre le
questionnaire).
Au final, 208 questionnaires exploitables ont été conservés pour constituer notre échantillon
d’enquête.

292
4. La validation des échelles de mesure
Un certain nombre de variables de notre modèle sont évaluées par des échelles de mesure
multiples de type échelles de Likert. L’étude de la validité des construits mesurés par ce type
d’échelle, extrêmement répandues en sciences de gestion, suit le plus souvent un certain nombre
d’étapes extraites de la démarche générale de construction d’échelles de mesure proposée
initialement par G. Churchill [1979] dans le domaine du marketing, et connue sous le nom de
« paradigme de Churchill ». La méthode que nous allons utiliser a été exposée par Roussel [2005] :
elle s’appuie sur une actualisation et un aménagement de la démarche originale de Churchill, qui
prend en compte les principales critiques et améliorations proposées par différents auteurs depuis
le milieu des années 80 [ex : Gerbing & Anderson – 1988 ; Fabrigar & al. – 1999 ; Mc Callum &
al. – 1999]. La démarche générale de validation comporte deux grandes phases : une phase
exploratoire destinée à purifier les instruments de mesure en utilisant une méthode itérative, et
une phase confirmatoire visant à vérifier la fiabilité et la validité des instruments épurés.
Ces deux étapes peuvent être schématisées comme suit :
Figure 2 : La démarche de validation de construit dans le cas de variables mesurées par
des échelles multiples (d’après Churchill- 1979 ; Roussel – 2005)

Collecte de données (échantillon 1)

Purification de l’échelle de mesure

- Analyse factorielle exploratoire (ACP ou analyse
Phase factorielle en axes principaux)
exploratoire - Test de cohérence interne (α de Cronbach)

Elimination des items détériorant la

fiabilité et la validité de l’échelle

Collecte de données (échantillon 2)

Estimation de la fiabilité
-Test de fiabilité (deux moitiés)
Phase - Test de cohérence interne (α)
confirmatoire

Estimation de la validité de construit

- Analyse factorielle confirmatoire ( méthodes
d’équations structurelles)

293
4.1 Analyse exploratoire
Afin de se rapprocher de la démarche recommandée par Churchill [1979], nous avons choisi
effectuer nos opérations d’analyse exploratoire et confirmatoire sur deux échantillons différents,
en divisant notre échantillon d’enquête initial (n = 208) en deux sous-échantillons comportant
respectivement 68 et 140 répondants, en nous inspirant de la procédure choisie par plusieurs
auteurs [ex : Belghiti & Briole- 2004, Manville – 2005]
Nous avons donc réuni un échantillon de 68 salariés intérimaires, qui permet de respecter le
nombre minimum requis de répondants sur toutes les échelles de notre étude :
Echelle Nombre Nombre de Rapport nombre d’items /
d’items répondants nombre de répondants.
Soutien organisationnel perçu 6 68 11 répondants par item
Locus of control 6 68 11
Equité perçue 4 68 17
137
Implication organisationnelle 14 88 5,7
Implication professionnelle 8 68 8,5
Implication dans les valeurs du 7 68 9,7
travail

4.1.1. Procédure et choix méthodologiques

La purification des instruments de mesure sera réalisée en utilisant conjointement l’analyse de
cohérence interne (coefficient alpha de Cronbach) et l’analyse factorielle. En suivant les
recommandations de Gerbing & Anderson [1988], nous évaluerons en premier lieu la
dimensionnalité des échelles de mesure avant de mesurer leur cohérence interne.
Il existe deux méthodes principales pour réaliser une analyse factorielle de type exploratoire :
l’analyse en composantes principales (ACP) et l’analyse factorielle « classique » en facteurs
communs et spécifiques (AFCS, dite aussi analyse en axes principaux ou en facteurs principaux).
L’ACP est longtemps restée la méthode la plus utilisée : elle est par exemple recommandée dans
plusieurs ouvrages méthodologiques en langue française [ex : Evrard & al. – 2000 ; Igalens &
Roussel – 1998], et est également recommandée par Churchill [1979] lorsqu’il s’agit d’épurer les
échelles de mesure.
Il apparaît cependant que l’ACP est remise en cause lorsqu’elle est utilisée dans le cadre de
procédures de validation d’échelles destinées à mesurer des construits latents. Roussel [2005
p.258] remarque que cette technique constitue une approximation de l’analyse factorielle
classique : elle conduit à surestimer les contributions factorielles et les communautés (part de
variance expliquée par les facteur communs), et à sous-évaluer les corrélations entre les facteurs.
Ce phénomène s’explique principalement par une prise en considération différente de la variance
selon les deux techniques [Baillargeon – 2003 p.5, Roussel- 2005 p.258] :
137
20 salariés supplémentaires ont été sélectionné dans le reste de l’échantillon afin de parvenir au ratio requis

294
 - Dans les modèles d’analyse factorielle classique, la variance de chaque variable est
décomposée en trois parties : la variance commune (causée par les facteurs latents), la
variance spécifique (assujettie à aucun facteur) et la variance d’erreur. L’analyse factorielle
ne porte que sur la part de variance commune, et tente d’en extraire les facteurs sous-
jacents138.
- Dans l’ ACP au contraire, aucune différence n’est faite entre les trois types de variance, et
l’analyse porte sur la variance totale. Etant donné que les saturations et les communautés
sont alors surestimées, et les corrélations entre facteur sous-estimées, la solution
factorielle obtenue peut donc se révéler plus facile à interpréter, mais elle incorpore une
part d’erreur.
Roussel [2005 p. 258] s’appuie alors sur plusieurs contributions récentes dans le domaine de
l’analyse des données [ex : Nunnaly & Berstein – 1994 ; Falissard – 2001 ; Preacher & mc Callum
– 2003] pour recommander parmi les différentes techniques l’analyse factorielle en axes
principaux (AFAP139) lorsque l’objectif est de construire un modèle linéaire comportant des
variables latentes. Un autre intérêt de la technique d’analyse en axes principaux relevé par
Fabrigar et ses collègues [Fabrigar & al. – 1999] est qu’elle peut s’appliquer dans le cas où la
multinormalité des variables n’est pas assurée (au contraire de l’ACP, qui nécessite en principe
une distribution multinormale des variables). Or, les variables non distribuées normalement sont
relativement fréquentes dans le domaine des sciences sociales, tout particulièrement lorsque l’on
travaille sur des variables d’intervalle de type Likert. Donada & Mbengue [1999, p 387], qui
remarquent que les techniques de l’ACP et de l’analyse factorielle classique fournissent des
résultats souvent comparables , résument clairement le critère de choix en fonction des objectifs
du chercheur : « si l’objectif de recherche est simplement de résumer les données, alors l’ACP est
le meilleur choix. Par contre, si l’objectif de recherche est de mettre en évidence une structure
sous-jacente aux données (c'est-à-dire identifier des variables latentes ou des construits) alors
l’analyse factorielle en facteurs communs et spécifiques est le choix qui s’impose »140.
Etant donnée l’orientation de notre recherche, nous adopterons donc l’analyse factorielle
« classique », en facteurs communs et spécifiques. Pour être plus précis nous utiliserons en

138
Au niveau pratique, la variance commune est estimée par le coefficient de corrélation multiple (R2). Avant de
débuter l’analyse factorielle, les valeurs de R2 sont placées dans la diagonales de la matrice de corrélation, en
remplacement des valeurs 1 (qui restent utilisées dans les procédures d’ACP).
139
Il existe plusieurs techniques pour l’analyse factorielle classique disponibles dans les logiciels d’analyse des
données : méthode des moindres carrés non pondérés, méthode du maximum de vraisemblance, alpha-
factorisation…Nous utiliserons en priorité la méthode d’analyse en axes principaux, recommandée par Roussel
[2005 p. 258] pour l’épuration des échelles de mesure de construits.
140
Une approche originale de la différenciation entre ACP et AFCS est proposée par Lauri Tarkkonen,
professeur de mathématiques à l’université d’Helsinki (cité par C. Durand – 2003). Un extrait est disponible en
annexe 8.

295
priorité l’analyse factorielle en axes principaux (AFAP) qui s’accommode d’une distribution
s’écartant de la normale pour les variables analysées. En cas d’échec de l’analyse factorielle en
axes principaux, nous utiliserons l’ACP afin de parvenir à dégager une structure factorielle pour
toutes nos échelles de mesure141.
Une fois la méthode d’extraction des facteurs décidée, il faut procéder à l’interprétation, voire à
l’épuration des solutions factorielles obtenues.
Les procédures recommandées pour l’épuration des échelles de mesure font appel à diverses
techniques d’interprétation et règles de décisions propres à l’analyse factorielle.
Il est important de noter que la plupart de ces règles et recommandations ont un caractère
empirique, arbitraire et subjectif [Evrard & al. – 2000 ; Preacher & mc Callum – 2003 ; Roussel –
2005] : elles tirent leur validité d’une forme de consensus au sein de la communauté des
chercheurs.
Notre démarche d’épuration comprendra 4 étapes :
Etape 1 : Analyse des possibilités de factorisation de l’échelle.
La question préalable à toute analyse factorielle menée sur une série de données consiste à se
demander si celles-ci sont factorisables, autrement dit « si elles forment un ensemble
suffisamment cohérent pour qu’il soit raisonnable d’y chercher des dimensions communes »
[Evrard & al. – 2000, p.377]. Plusieurs techniques permettent d’apprécier cette caractéristique :
- L’examen de la matrice de corrélations entre les énoncés de l’échelle doit faire apparaître
plusieurs corrélation suffisamment élevées entre les variables.
- L’utilisation du test MSA (measure of sampling adequacy) de Kaiser, Meyer & Olkin (également
appelé test KMO) qui permet de mesurer la capacité de factorisation au niveau de l’échelle ou de
chacun des énoncés142. Un niveau de MSA élevé (proche de 1) pour l’échelle indique qu'il existe
une solution factorielle statistiquement acceptable qui représente les relations entre les variables.
Les seuils d’acceptabilité préconisés par Kaiser [cité par Norusis/SPSS – 1993] sont les suivants :
MSA < 0,5 Inacceptable (échelle non factorisable)
0,5 < MSA < 0,6 Médiocre
0,6 < MSA < 0,7 Moyen
0,7< MSA < 0,8 Bon
0,8< MSA< 0,9 Très bon
MSA > 0,9 Excellent

- L’utilisation du test de sphéricité de Bartlett, qui vérifie l'hypothèse nulle selon laquelle

141
La méthode d’analyse factorielle en axes principaux ne permet pas toujours en effet d’obtenir une solution
(dans certains cas, l’analyse ne converge pas, ce qui ne permet pas d’extraire les facteurs attendus). L’ACP
présente l’avantage de toujours fournir une solution, qu’il convient bien évidemment d’interpréter.
142
L’adéquation (MSA) des items pris individuellement se trouve sur la diagonale de la matrice de corrélation
anti-image (disponible en sortie sur le logiciel SPSS) : une valeur >0,5 est considérée comme acceptable.

296
toutes les corrélations seraient égales à zéro. Ce test est très sensible au nombre de cas; il est
presque toujours significatif ce nombre de cas est suffisamment élevé (c'est-à-dire s’il y a plus de
5 observations par variable).

Etape 2 : Choix du nombre d’axes factoriels à retenir

Dans les études visant à isoler des construits latents, on peut considérer que chaque axe factoriel
représente une dimension du construit. Les règles empiriques suivantes permettent d’aider à fixer
le nombre de facteurs retenus :
- La fixation d’un seuil minimum de variance expliquée. On considère généralement qu’il
faut retenir suffisamment d’axes pour restituer au minimum 50% de la variance de l’échelle
[Igalens & Roussel – 1998] .
- Le critère des valeurs propres (règle de Kaiser) recommande de ne conserver que les
facteurs dont les valeurs propres (eigenvalues, représentant schématiquement la quantité
d’information extraite par les facteurs) sont supérieures à 1.
- L’examen de la courbe des valeurs propres (scree test ) : La courbe des valeurs propres est
construite en mettant en rapport le nombre de facteurs (en abscisse) avec leur valeur propre (en
ordonnée). Cette courbe fait en principe apparaître un point d’inflexion (coude) à partir duquel la
courbe s’aplatit : seuls les facteurs situés à gauche du point d’inflexion devraient être retenus. Ce
test fournit une aide à la décision surtout lorsque le nombre de facteurs est important. Il existe
également des test plus précis, notamment le test MAP proposé par Velicer [Zwick & Velicer –
1986], qui permet de déterminer le nombre d’axes s’ajustant le mieux à la distribution étudiée.

Etape 3 : Elimination des items nuisant à la validité des construits (épuration)

L’objectif de cette étape est de parvenir à une structure factorielle claire, c'est-à-dire une situation
dans laquelle chaque énoncé de l’échelle est significativement corrélé à un facteur et un seul.
Plusieurs techniques et règles de décision peuvent et doivent être conjointement utilisées lors de
cette étape :
- Le critère des communautés : La communalité ou communauté d’un énoncé mesure la
part de variance de cet énoncé restituée par les facteurs retenus. En deçà de certains
seuils, la contribution des énoncés à l’explication du facteur est considérée comme
médiocre, et peut conduire à leur élimination de l’échelle143. Les valeurs de seuils
proposées par Roussel [2005, p. 264] sont les suivantes :

143
L’usage de ce seul critère pour éliminer une variable doit être évité : l’examen des contributions factorielles
doit être également réalisé. Un énoncé qui a une faible communauté mais qui contribue clairement à un facteur et
un seul peut être conservé.

297
Communauté > 0,8 Très bonne représentation (forte contribution)
Communauté comprise entre 0,65 et 0,8 Bonne représentation
Communauté comprise entre 0,4 et 0,65 Représentation moyenne
Communauté < 0,4 Représentation médiocre (élimination possible)

- Le critère des contributions factorielles (loadings) : la contribution (ou saturation) d’un

énoncé sur un axe factoriel correspond à la corrélation entre cet énoncé et l’axe considéré. Ce
critère est important, car il est à la base des jugements de validité convergente et discriminante. Il
est en général admis qu’une contribution est considérée comme significative si elle est au moins
égale à 0,3. Au-delà de 0,5, on peut la considérer comme acceptable.
Deux règles de décision sont en général associées à ces valeurs :
- Il est conseillé de supprimer les énoncés n’ayant aucune contribution supérieure ou égale
à 0,5 sur au moins l’un des facteurs, afin d’améliorer la validité convergente de l’échelle
- Il est conseillé de supprimer les énoncés ayant des contributions supérieures à 0,3 sur
plusieurs facteurs, afin d’améliorer la validité discriminante de l’échelle.
- Le jugement du chercheur : Si l’échelle testée a déjà fait l’objet de recherches antérieures,
l’interprétation des axes factoriels peut être guidée par le niveau des connaissances accumulées
sur le construit. Si l’on prend en exemple l’implication organisationnelle, de nombreux travaux
ont été menés sur l’échelle tridimensionnelle de Meyer & Allen et ont pu valider une structure en
trois dimensions (affective calculée et normative) : la connaissance préalable de ces trois
dimensions peut guider l’interprétation des itérations factorielles.
La technique des rotations factorielles fournit une aide précieuse à la décision, en permettant
souvent de rendre plus lisible le tableau des contributions factorielles. Elles doivent être utilisées
lorsque la première itération fournit des résultats difficiles à interpréter. Deux types de rotations
sont généralement utilisées : rotations orthogonales (Varimax, Quartimax et Equamax su SPSS)
et rotations obliques (Direct Oblimin ou Promax sur SPSS). Les rotations orthogonales sont
fondées sur l’hypothèse que les axes factoriels sont indépendants, et les rotations obliques
admettent la possibilité que les axes soient corrélés (ce qui est souvent le cas dans les sciences
sociales, ou des construits peuvent posséder plusieurs dimensions corrélées144. Certains auteurs
[ex : Igalens & Roussel – 1998 ; Pedahzur & al – 1991] recommandent de réaliser
systématiquement les 2 types de rotation, et de retenir la solution la plus facilement interprétable.

144
L’échelle d’implication organisationnelle de Meyer et Allen fournit un bon exemple de construit
multidimensionnel avec sous-dimensions corrélées : l’implication normative apparaît généralement corrélée à
l’implication affective dans les études empiriques (voir la méta-analyse de Meyer & al. – 2002)

298
 Etape 4 : Test de la fiabilité des échelles obtenues
Le test de la fiabilité des échelles obtenues après épuration éventuelle est réalisé en utilisant le
coefficient Alpha de Cronbach Il est encore possible d’épurer les échelles à ce stade en
supprimant les items dont le retrait permet d’augmenter significativement le coefficient alpha.
Les règles guidant notre procédure d’épuration peuvent finalement être résumées dans le schéma
suivant :

Figure 3 : La procédure d’épuration des échelles de mesure.

Etapes de la procédure d’épuration Tests réalisés / règles de décision

Vérification de la possibilité de -Valeur du test KMO > 0,5

factorisation de l’échelle - Coefficients de la matrice anti-image > 0,5
- Test de Bartlett significatif (p > 0,05)

Elimination des items non factorisables

- Analyse en axes principaux (+ ACP en complément en

Analyse factorielle
cas de difficultés d’interprétation)

- Critère de Kaiser (valeurs propres >1)

Choix du nombre de facteurs - Scree test ; test MAP
- Pourcentage de variance expliquée > 50%

Epuration de l’échelle - Communalités et contributions factorielles >0,3

(pour assurer la validité
convergente et discriminante) -Contributions factorielles > 0,5 sur au moins un axe

-Pas de contributions factorielles >0,3 sur plus d’un axe

Elimination éventuelle d’items pour accroître la
validité de l’échelle

- Alpha de Cronbach >0,7

Analyse de fiabilité des échelles réduites
-Elimination des items réduisant le
coefficient alpha de l’échelle

Elimination éventuelle d’items pour accroître la

fiabilité de l’échelle

Une remarque importante doit être faite en conclusion de ce paragraphe méthodologique.

Lorsque l’analyse factorielle amène à conclure que des items doivent être éliminés, il est souvent
nécessaire d’arbitrer entre la fiabilité de l’échelle et la validité de construit : la suppression
d’énoncés peut réduire le niveau du coefficient alpha, mais permet en contrepartie d’obtenir des
structures factorielles plus claires, garantes d’une meilleure validité convergente et discriminante.
Nous privilégierons les résultats issus de l’analyse factorielle, sous réserve de conserver des
coefficients alpha voisins de 0,7, qui demeure la norme la plus commune d’acceptabilité. Nous
tenterons également de conserver au minimum trois énoncés par construit ou dimension, afin de
pouvoir assurer une représentation suffisamment riche des variables de notre modèle.

299
4.1.2. Analyse factorielle exploratoire et épuration des échelles de mesure
Les analyses factorielles et les tests d’homogénéité ont été réalisés à l’aide du logiciel SPSS
(version 11). Nous avons inclus dans cette analyse toutes les échelles multidimensionnelles de
type Likert utilisées dans notre modèle : Locus of control (LOC), volition, valeur intérimaire,
équité relative perçue, soutien organisationnel perçu (SOP), autonomie perçue, implication
organisationnelle, implication dans la profession et implication dans les valeurs du travail. Les
outils de mesure de l’insécurité perçue et de la précarité objective ne sont pas étudiés dans cette
partie, car nous verrons qu’il ne s’agit pas de variables latentes classiques mesurées grâce à des
échelles. Nous développerons le processus de validation de ces deux construits dans le
paragraphe 5 de cette section.
Nous allons à présent présenter les principaux résultats de l’analyse exploratoire des échelles de
mesure. Les détails des analyses et des procédures d’épuration sont disponibles en annexe 8.

[Link] Echelle de locus of control

L’échelle de Locus of control professionnel a fait apparaître une capacité de factorisation
médiocre : plusieurs corrélations faibles et/ou négatives apparaissent sur la matrice de
corrélations, le niveau du test KMO est médiocre (= 0,57) et deux énoncés sont mal représentés
sur la diagonale de la matrice anti- image. La procédure d’épuration nous conduit à éliminer ces
items (LOC 1 & LOC2).
Les résultats obtenus avec une échelle réduite à 4 items sont les suivants :
Enoncés de l’échelle Communautés Contributions
factorielles
LOC 3 ,290 ,538
LOC 4 ,200 ,447
LOC 5 ,632 ,795
LOC 6 ,364 ,603
Alpha = 0,68 Variance totale expliquée = 37 %

La solution factorielle extraite est insatisfaisante , la variance totale expliquée atteint à peine 37%,
la plupart des communautés sont à un niveau insuffisant, et les contribution factorielles sont peu
élevées en moyenne. La fiabilité apparaît légèrement en deçà des normes d’acceptabilité (< 0,7).
La qualité générale de l’échelle de locus of control est donc médiocre : étant donné qu’il ne s’agit
pas d’une variable centrale dans notre modèle de recherche, nous décidons de ne pas la prendre
en compte cette attitude pour la suite de notre recherche.

300
[Link]. Echelle de préférence pour l’intérim (volition)
L’échelle se révèle moyennement factorisable (KMO = 0,61). La première itération nous conduit
à une solution restituant pratiquement 50% de la variance de l’échelle, avec les résultats
suivants :
Enoncés de l’échelle Communautés Contributions
factorielles
Volition 1 ,603 ,777
Volition 2 ,183 ,428
Volition3 ,553 ,744

Alpha = 0,67 Variance totale expliquée = 48,6%

La solution factorielle proposée pour l’échelle réduite est unidimensionnelle ; elle restitue moins
de 50% de la variance, et les trois énoncés contribuent significativement sur un seul facteur. Le
deuxième énoncé apparaît toutefois très mal représenté : son retrait limite le nombre d’énoncés
de l’échelle, mais permet d’obtenir une meilleure fiabilité : le coefficient Alpha passe à 0,73, et les
deux énoncés expliquent 80% de la variance de l’échelle. Nous décidons donc de réduire l’échelle
à deux items (volition 1 et volition3).

[Link] : Echelle d’employabilité perçue (valeur intérimaire)

L’échelle se révèle peu factorisable (KMO = 0,54). L’usage de l’analyse factorielle en axes
principaux ne permet pas de converger vers une solution. Nous utilisons donc l’analyse en
composantes principales (ACP). La première itération nous conduit à une solution restituant
plus de 50% de la variance de l’échelle, avec les résultats suivants :

Enoncés de l’échelle Communautés Contributions

factorielles
Employabilité 1 ,824 ,908
Employabilité 2 ,329 ,573
Employabilité 3 ,575 ,759

Alpha = 0,63 Variance totale expliquée = 57%

La fiabilité de l’échelle est inférieure à la norme habituelle, mais demeure acceptable dans une
étude à caractère exploratoire. Nous la conservons donc en l’état en attendant les résultats de
l’analyse factorielle confirmatoire, qui nous permettront de décider définitivement de son
maintien ou de son retrait.

301
[Link] : Echelle d’autonomie perçue
L’échelle d’autonomie révèle une capacité de factorisation trop faible (test KMO = 0,47) : le
premier item (correspondant à la possibilité de refuser des missions) est très mal représenté sur la
diagonale de la matrice anti-image. Nous décidons donc de limiter l’échelle à deux items, qui ont
trait à la faculté de l’intérimaire à négocier sur son salaire ou le contenu de son travail.
Le coefficient Alpha de fiabilité pour ces deux items est de 0,86. Nous décidons donc de
conserver l’échelle réduite à deux énoncés.

[Link]. Echelle de soutien organisationnel perçu

La capacité de factorisation de l’échelle de soutien perçu est apparue bonne (KMO = 0,79).
Suite à la première itération de l’analyse factorielle, un énoncé mal représenté dans le tableau des
communauté et présentant une contribution factorielle trop faible (< 0,3) a été éliminé (POS 1) :
la variance expliquée est passée à 49 %. On peut noter que cet item est le plus généraliste (« mon
agence s’intéresse vraiment à mon bien-être »). Les items décrivant des actions précises ont tous
été sélectionnés, ce qui indique que les sujets interrogés ont peut-être été plus à l’aise pour former
des jugements cohérents sur le soutien perçu de la part de l’agence à partir de propositions
concrètes.
Les résultats obtenus avec une échelle réduite à 5 items sont les suivants :
Enoncés de l’échelle Communautés Contributions
factorielles
POS2 ,483 ,695
POS3 ,325 ,570
POS4 ,423 ,651
POS5 ,443 ,665
POS6 ,786 ,886

Alpha = 0,81 Variance totale expliquée = 49 %

La solution factorielle proposée correspond à un construit unidimensionnel, en adéquation avec

les résultats d’Eisenberger & al. [1986], auteurs de l’échelle originale. Les contributions
factorielles sont significatives, et regroupées sur un seul axe. Le niveau du coefficient alpha est
très satisfaisant. Nous conservons donc l’échelle de soutien organisationnel perçu sous sa forme
réduite à cinq énoncés.

[Link]. Echelle d’équité relative perçue

La capacité de factorisation de l’échelle est apparue suffisante (test KMO = 0,78)
La première itération nous a conduit à une solution restituant pratiquement 50% de la variance
de l’échelle, avec les résultats suivants :

302
 Enoncés de l’échelle Communautés Contributions
factorielles
Equité 1 ,456 ,675
Equité 2 ,654 ,809
Equité 3 ,470 ,685
Equité 4 ,502 ,709
Alpha = 0,79 Variance totale expliquée = 49,3 %

La solution factorielle proposée pour l’échelle réduite est unidimensionelle ; elle restitue environ
50% de la variance, et les quatre énoncés contribuent significativement sur un seul facteur. Nous
pouvons considérer que la structure factorielle proposée est claire. Le niveau de fiabilité de
l’échelle étant acceptable, nous la conservons sous sa forme originale.

[Link]. Echelle d’implication organisationnelle

L’échelle d’implication organisationnelle présente une bonne capacité de factorisation (test KMO
= 0,85). La première itération conduit à une solution en deux axes (variance totale expliqué =
57%), confirmée par l’examen du graphique des valeurs propres et le test MAP de Velicer, qui
s’avère assez difficilement interprétable.
La structure la plus claire apparaît à la suite d’une rotation Varimax :
Enoncés de Communautés Contributions
l’échelle factorielles
Axe1 Axe2
IOA1 ,587 ,766
IOA2 ,796 ,896
IOA3 ,401 ,636
IOA4 ,682 ,806
IOA5 ,616 ,778
IOC1 ,412 -,365 ,570
IOC2 ,598 ,751
IOC3 ,467 ,673
IOC4 ,391 ,542
IOC5 ,416 ,647
ION1 ,489 ,669
ION2 ,384 ,605
ION3 ,421 ,418 0,452
ION4 ,619 ,753
Variance totale expliquée = 49 %

La matrice des contributions montre clairement que la dimension affective de l’implication est
très bien représentée dans sa quasi-totalité, sur le même axe. On note également que la dimension
normative apparaît clairement, mais de manière problématique : elle se confond totalement avec
la dimension affective. Cette difficulté est bien connue des chercheurs ayant travaillé sur le
modèle tri-dimensionnel d’Allen et Meyer [ex : Dunham & al.- 1994 ; Ko & al. – 1997] : la

303
distinction entre les trois composantes de l’implication est généralement prouvée par analyse
factorielle confirmatoire dans les études anglo-saxonnes [Meyer & al. – 1990 ; Hackett & al. –
1994] et françaises [ Paillé – 2002 ; Belghiti & Briole – 2004], mais les dimensions affective et
normative sont significativement corrélées. La dimension calculée est également bien
représentée sur le deuxième axe. Nous pouvons remarquer que deux items (IOC 1 et ION 3)
apparaissent complexes, car ils présentent des contributions significatives (> 0,3) sur deux axes.
Afin d’obtenir la solution la plus claire possible, nous choisissons d’éliminer successivement ces
deux derniers items, et nous procédons à deux nouvelles itérations. La solution retenue à l’issue
de la dernière itération comporte toujours deux axes (la variance totale expliquée passe à 53%).
Les contributions factorielles de l’échelle réduite à 12 items, après rotation Varimax sont
présentées dans le tableau suivant :
Enoncés de Communautés Contributions factorielles
l’échelle Axe1 Axe2
IOA1 ,614 ,780
IOA2 ,774 ,878
IOA3 ,379 ,615
IOA4 ,694 ,809
IOA5 ,627 ,780
ION1 ,458 ,648
ION2 ,407 ,613
ION4 ,651 ,772

IOC2 ,622 ,780

IOC3 ,487 ,694
IOC4 ,390 ,581
IOC5 ,360 ,591
Variance totale expliquée = 53 %
Alpha sous échelle implication affective normative= 0,79
Alpha sous-échelle calculée = 0,75
Alpha échelle globale = 0,84

La solution obtenue après rotation Varimax apparaît claire et interprétable. La situation

présentée dans la matrice ci-dessus est cependant originale : les dimensions affective et normative
de l’implication sont bien représentées sur le premier axe, mais elles restent parfaitement
imbriquées : nous choisissons donc de fusionner les sous-échelles affective et normative (8 items
en tout) en un construit commun : l’implication-affective/normative. La sous-dimension
calculée, qui regroupe les 4 items contribuant au facteur 2 est nettement apparente, avec des
contributions factorielles moyennes. Nous décidons donc de conserver cette solution.
Les analyses de fiabilité doivent désormais être également envisagée au niveau de chaque sous-
échelle, étant donné que nous obtenons deux dimensions dans l’échelle d’implication
organisationnelle,

304
Nous pouvons remarquer que l’homogénéité de la dimension affective/normative est très bonne,
ce qui nous conforte dans la décision de conserver cette sous-échelle d’implication
organisationnelle modifiée.
Le niveau du coefficient alpha de la dimension calculée est plus faible, mais demeure dans les
normes acceptables dans le cadre d’une étude exploratoire. Nous avions remarqué que la notion
de « side-bets » (investissements passés) et de manque d’alternatives étaient peut-être inadaptées au
monde de l’intérim. Il est en effet aisé pour un intérimaire de passer d’une agence à l’autre, et les
méthodes de fidélisation des agences (consistant avant tout à assurer une continuité des missions)
ne sont pas vraiment motivantes pour un intérimaire qualifié, en tout cas pas suffisantes pour
constituer un frein à sa mobilité. L’analyse factorielle confirmatoire nous permettra de justifier ou
non le maintien de cette dimension calculée.

[Link]. Echelle d’implication dans la profession

L’échelle d’implication dans la profession présente une très bonne capacité de factorisation (test
KMO = 0,82). La première itération fait apparaître une solution à deux facteurs, qui expliquent
57% de la variance de l’échelle.
La matrice des contributions factorielles se révélant difficile à interpréter, différentes rotations
ont été effectuées. Les résultats obtenus après une rotation oblique (direct oblimin) ont été
privilégiés, car il s’avère que les deux facteurs sont significativement corrélés (r = 0,47), ce qui
rend les rotations orthogonales du type Varimax moins pertinentes145. Les résultats finalement
obtenus sont les suivants :
Enoncés de Communautés Contributions factorielles
l’échelle Axe1 Axe2
IPA1 ,568 ,649
IPA2 ,716 ,709
IPA3 ,554 ,720
IPA4 ,613 ,846

IPC1 ,623 ,717

IPC2 ,491 ,763
IPC3 ,549 ,622
IPC4 ,476 ,506
Variance totale expliquée = 57 %
Alpha sous échelle implication affective = 0,85
Alpha sous-échelle calculée = 0,80
Alpha échelle globale = 0,86

145
Les rotations orthogonales présupposent que les axes factoriel sont indépendants (non corrélés). Les rotations
obliques sont quant à elles adaptés aux situations dans lesquelles les facteurs sont corrélés (ce qui est
fréquemment le cas dans les recherches en sciences sociales).

305
La solution factorielle obtenue après rotation oblique est claire146 : nous obtenons deux facteurs
nettement différenciés, correspondant chacun à une dimension théorique de l’implication
professionnelle : le facteur 1 regroupe les 4 items correspondant à la dimension affective de
l’implication professionnelle affective et le facteur 2 regroupe les 4 items correspondant à la
dimension calculée. Le niveau des coefficients Alpha pour l’échelle complète, ainsi que pour
chaque sous-échelle est très satisfaisant.
Nous décidons de conserver l’échelle bidimensionnelle d’implication dans la profession sous sa
forme originale, en distinguant une dimension affective et une dimension calculée, conformément
à notre modèle général.

[Link]. Echelle d’implication dans la valeur travail

La capacité de factorisation de l’échelle apparaît bonne (test KMO = 0,74).

La première itération nous conduit à une solution en deux axes factoriels (avec une variance
totale expliquée de 41 %). L’examen des communautés et des contributions factorielles après les
différentes rotations nous a permis de constater la présence de deux items problématiques (un
item complexe : IMPT6, et un item à faible contribution : IMPT4), qui ont été retirés.
La procédure d’épuration nous a permis d’aboutir à une solution comportant un seul axe
factoriel, qui a permis d’augmenter légèrement la variance expliquée (44 %), mais celle-ci n’atteint
pas 50%.
Les résultats de l’échelle réduite à 5 items sont les suivants :

Enoncés de l’échelle Communautés Contributions

factorielles
IVT 1 ,299 ,547
IVT 2 ,593 ,645
IVT 3 ,520 ,721
IVT 5 ,380 ,617
IVT ,593 ,770
Alpha = 0,78 Variance totale expliquée = 44 %

Les contributions factorielles sont significatives sur un seul axe, la variance expliquée est
inférieure à la norme, mais le niveau du coefficient alpha de Cronbach est tout à fait acceptable

146
La matrice présentée, disponible après une rotation oblique (pattern matrix) est destinée à faciliter
l’interprétation des résultats : la matrice standard des contributions factorielles appelée matrice structurelle fait
en effet apparaître naturellement de nombreux chevauchements, résultant de la corrélation entre les axes
[Tabachnick & Fidell – 2000]. La « pattern matrix » comporte seulement les corrélation entre les items et les
facteurs.

306
dans le cadre d’une recherche exploratoire. Nous décidons donc de conserver l’échelle
d’implication dans les valeurs du travail sous sa forme réduite.

4.1.3. Commentaires
Les échelles modifiées résultant de la procédure d’épuration sont résumées dans le tableau
suivant :
Tableau 2 : Echelle de mesures retenue à l’ issue de l’analyse exploratoire
Echelle Fiabilité Nombre
(coefficient Alpha) d’énoncés
Préférence pour l’intérim 0,73 2
Valeur intérimaire perçue 0,67 3
Autonomie perçue 0,86 2
Soutien organisationnel perçu 0,81 5
Equité relative perçue 0,79 4
Implication organisationnelle (échelle complète) 0,84 12
- dimension affective normative 0,79 8
- dimension calculée 0,75 4
Implication dans la profession (échelle complète) 0,86 8
- dimension affective 0,80 4
- dimension calculée 0,85 4
Implication dans la valeur-travail 0,78 5

Cinq échelles ont été réduites (volition, autonomie perçue, soutien perçu, implication
organisationnelle, implication dans la valeur-travail), et une échelle n’a pas été retenue en raison
de sa qualité insuffisante (locus of control).
La principale conclusion à tirer de cette première analyse porte sur les échelles d’implication.
L’implication organisationnelle telle que nous l’envisageons pour les intérimaires est tout à fait
spécifique : elle comporte une dimension affective/normative homogène, décrivant un
attachement à l’agence de travail temporaire, et une dimension calculée décrivant une implication
« contrainte ».
Nous pouvons en conclure à ce stade de la recherche que les liens organisationnels très
particuliers que tissent les intérimaires avec leur agence de référence ont un impact sur leur
implication : il semble que l’attachement à l’agence soit fondée à la fois sur un attachement
affectif et sur un sentiment de devoir : on peut penser que les intérimaires reconnaissent le rôle
clé de leur agence dans le nombre et la qualité des missions, et que leur attachement comporte
une part de gratitude, qui implique un besoin de réciprocité.
En ce qui concerne l’implication dans les valeurs du travail, une approche multidimensionnelle de
ce construit a été envisagée lors de la construction du questionnaire, mais n’a pas été retenue à

307
l’issue de l’analyse exploratoire. Il est sans doute nécessaire dans l’avenir de mettre au point un
outil de mesure multidimensionnel nouveau, plus fiable que celui que nous avons utilisé.
Les échelles de mesure épurées vont à présent faire l’objet d’une analyse factorielle confirmatoire.

4.2. Analyse confirmatoire

4.2.1. Les méthodes d’équations structurelles, outils de l’analyse factorielle confirmatoire
L’analyse factorielle confirmatoire est utile pour valider les structures factorielles issues de
l’analyse exploratoire. La différence majeure avec l’analyse factorielle exploratoire est que le
chercheur présuppose une série de liens entre les items et les construits qu’ils sont censés
mesurer, et va tester la qualité de cette structure établie a priori. Ces tests sont en général
effectués en recourant à des méthodes d’équation structurelles, les analyses factorielles
confirmatoires étant considérées comme des modèles particuliers d’équation structurelle [Roussel
& al. – 2002].
Les méthodes d’équations structurelles avec variables latentes et erreurs de mesure [Jöreskog-
1978] ont été mises au point pour permettre de procéder à des tests de relations causales entre
plusieurs variables latentes explicatives et une ou plusieurs variables latentes à expliquer.
Lors des phases d’analyse factorielle confirmatoire, ces méthodes d’équations structurelles sont
utilisées pour tester des modèles dits de mesure, c'est-à-dire des relations entre plusieurs variables
observées (dans notre cas, il s’agit des items appartenant à une échelle de mesure d’attitude) et
une variable latente correspondant au construit que les indicateurs sont censés mesurer. L’intérêt
de ces modèles pour des analyses factorielles est notamment lié à la prise en compte des erreurs
de mesure147.
Le test d’un modèle de mesure par les méthodes d’équations structurelles consiste à mesurer la
qualité d’ajustement d’un schéma de relations théoriques (proposé par le chercheur) aux données
empiriques issues d’un échantillon : plusieurs logiciels spécialisés permettent de réaliser ces
mesures ; les plus diffusés sont Lisrel [Jöreskog & Sörbom – 1996], Amos [Arbuckle- 1995], et
EQS [Bentler- 2001].
Lors du test, il est possible de mesurer la qualité d’ajustement d’un seul modèle, mais également
de comparer plusieurs modèles alternatifs concurrents : cette seconde procédure est plus riche et
permet de compléter efficacement l’analyse exploratoire. Dans notre étude, il sera par exemple

147
Les erreurs de mesure peuvent être calculées pour toutes les variables (les estimations des contributions
factorielles tiennent compte uniquement de la variance commune,ce qui permet de disposer d’estimations
d’erreurs pour toutes les mesures). Ceci permet de réaliser des estimations plus réalistes des contributions
factorielles des items.

308
intéressant de comparer la structure du construit d’implication organisationnelle issue de notre
étude exploratoire avec un modèle théorique « standard » comportant trois dimensions clairement
discriminées.
La qualité de l’ajustement du modèle aux données (goodness of fit) est évaluable par des indices
d’ajustement (fit indices) : ces indices sont nombreux (pour une présentation détaillée, on peut se
référer à Roussel & al. -2002 p. 62 et suiv. et à Sharma & al. - 2005). Ceux- ci sont généralement
classés en trois groupes :
- Les indices absolus évaluent dans quelle mesure le modèle proposé reproduit correctement les
données collectées. Les principaux indices absolus sont présentés dans le tableau ci-dessous, avec
leurs normes habituelles d’interprétation [Roussel & al. – 2005 ; Sharma & al. – 2005].
Tableau 3 : Les indices de mesure d’ajustement absolus
Indice Description Valeur-clé
Chi-deux Indice permettant d’évaluer dans quelle mesure le modèle Pas de valeur
postulé reproduit les données collectées. Il est très clé. Probabilité
dépendant de la taille de l’échantillon (le modèle est p associée
presque toujours rejeté si le nombre d’observation est > < 0,05
200)
GFI et AGFI Indices analogues au coefficient R ou R2 dans la > 0,9
(goodness of fit index régression (ils mesurent la part de variance-covariance
et adjusted goodness des variables expliquée par le modèle). Ils sont peu
of fit index) sensibles à la taille de l’échantillon mais sensibles à la
complexité du modèle. Ils ne sont pas très efficaces pour
détecter les modèles mal spécifiés
Gamma 1 et 2 Indices représentant les variances-covariances du GFI et > 0,9
de l’AGFI
PNI Indices de non centralité : mesurent la non adéquation à PNI le plus
PNNI partir d’une matrice de variance-covariance induite sur la faible possible
population totale. Ils sont peu sensibles à la taille de PNNI > 0,95
l’échantillon
RMR et SRMR Appréciation des résidus. Le RMR est utilisable si la < 0,05
(root mean square matrice des données de départ est une matrice de Le plus proche
residual et correlations et le SMRM est compatible avec une matrice possible de 0
standardized RMR) des variances-covariances.
RMSEA (root Indice évaluant la différence moyenne attendue par degré Si possible
mean square error of de liberté dans l’échantillon. Il est indépendant de la taille < 0,05
approximation) de l’échantillon et de la complexité du modèle. Acceptable
jusqu’à 0,08

- Les indices incrémentaux sont fondés sur une comparaison entre le modèle testé et un modèle
plus restrictif dit modèle de base (il s’agit en général d’un modèle nul dans lequel les variables
observées seraient non corrélées). Les indices incrémentaux mesurent l’amélioration de
l’ajustement lorsque le modèle testé est comparé au modèle nul. Le tableau ci-dessous présente
les principaux indices d’ajustement incrémentaux disponibles, avec leurs normes d’interprétation :

309
Tableau 4 : Les indices de mesure d’ajustement incrémentaux
Indice Description Valeur-clé
NFI (normed Indice représentant la proportion de covariance totale entre les > 0,9
fit indice) variables expliquées par le modèle testé lorsque le modèle nul est
pris comme référence. Sa valeur est sous-estimée dans le cas
d’échantillons de faible taille
TLI ou NNFI Indice comparant le manque d’ajustement du modèle à tester à > 0,9
(non normed fit celui du modèle de base. Il efficace pour détecter les modèles mal
index) spécifiés et assez peu sensible à la taille de l’échantillon [Sharma
& al. – 2005]
IFI Indice comparable au NNFI mais moins sensible pour les petits > 0,9
(incremental fit échantillons
index)
CFI Indice mesurant la diminution relative du manque d’ajustement > 0,9
(comparative fit
index)

- Les indices de parcimonie permettent de choisir entre plusieurs modèles équivalents celui qui
présente la meilleure parcimonie, c'est-à-dire celui qui permet d’estimer les données en recourant
au minimum de paramètres à estimer : ces indices permettent de sélectionner les modèles les plus
« économes », c'est-à-dire ceux dont la structure de relations est la plus simple. Le tableau ci-
dessous présente les principaux indices de parcimonie, avec leurs normes d’interprétation.
Tableau 5 : Les indices de parcimonie
Indice Description Valeur-clé
Chi-deux /ddl Indice pouvant être utilisé pour comparer le niveau de Ne doit pas dépasser
(chi-deux parcimonie de plusieurs modèles 5. Si possible < 2
normé)
PNFI Indices possédant les mêmes caractéristiques que le Le plus faible
NFI. Permet de comparer des modèles alternatifs possible
PGFI Indice possédant les mêmes caractéristiques que le Le plus faible
GFI. Permet de comparer des modèles alternatifs possible
AIC CAIC Ces indices visent à pénaliser les modèles complexes. Il Le plus faible
permettent de comparer des modèles alternatifs, et sont possible
assez peu sensibles à la taille de l’échantillon

Le choix d’une liste d’indice d’ajustement adaptés à notre cadre d’étude peut être faite en fonction
des critères suivants :
- La faible taille de nos échantillons amène à sélectionner en priorité des indices a priori peu
sensibles à la taille de l’échantillon, ou réservés à des échantillons de faible taille : PNNI, NNFI,
CN, CFI, TLI, RMSEA,
- L’usage des logiciels Lisrel et Amos nous amène à privilégier les indices d’ajustement
disponibles en standard sur cet outil (ex : Gamma 1et 2 non disponibles)

310
- La comparaison de modèles de taille différente encourage à utiliser les indices ajustés (AGFI,
chi deux normé)
- Il paraît utile de faire figurer les différents types d’indices (absolus, incrémentaux et de
parcimonie) afin de pouvoir effectuer un choix multicritères permettant de maximiser la qualité
de la comparaison [Roussel – 2005]
En combinant tous ces critères, nous retiendrons finalement les indices et les seuils
d’interprétation suivants:
Indices absolus Indices incrémentaux Indices de parcimonie
GFI AGFI RMSEA IFI CFI χ2 /ddl AIC PNFI
> 0,9 > 0,9 ≤ 0,08 > 0,9 > 0,9 <5 le plus faible le plus faible
(comparaison) (comparaison)

4.2.2. La démarche d’analyse retenue

La méthode d’analyse confirmatoire que nous allons suivre est inspirée de la démarche présentée
dans plusieurs travaux consacrés à la mesure de l’implication [Roussel & al. – 2002 ; Perrot –
2003 ; Belghiti & Briole – 2004 ; Manville – 2005] ; il s’agit d’une procédure générale comportant
quatre étapes, qui seront réalisées avec l’aide des logiciel Lisrel version 8.8 [Jöreskog & Sörbom –
2006] et Amos version 7 [Arbuckle – 2006]. Nous avons préalablement procédé à l’examen des
valeurs manquantes dans l’échantillon. Cette procédure est importante dans le cadre d’une analyse
par méthodes d’équations structurelles, car l’estimation par les logiciels Amos ou Lisrel nécessite
une distribution sans valeurs manquantes. Nous avons examiné la distribution des indicateurs
des variables latentes afin de vérifier si les valeurs manquantes étaient distribuées de manière
aléatoire. Cet examen nous a conduit à retirer deux observations dont les valeurs manquantes
n’étaient pas distribuées normalement (il s’agissait de répondant n’ayant pas renseigné tous les
items d’une échelle). L’échantillon a donc été réduit à 138 observations. Les valeurs manquantes
restantes ont été remplacées en utilisant l’algorithme EM (expected maximization) disponible sur le
logiciel Lisrel 8.

- La première étape consiste à examiner la multi-normalité des variables des échelles :

Nous examinerons dans un premier temps les indicateurs de déviation par rapport à la normalité
(coefficients de dispersion et de concentration) pour chaque variable de l’échelle, puis le
coefficient de concentration multivarié (coefficient de Mardia) de l’échelle complète148.
Cet examen est indispensable afin de déterminer la méthode d’estimation des modèles de mesure
qui sera retenue. La méthode la plus utilisée est celle du maximum de vraisemblance (maximum
148
Selon Roussel & al [2002 p 47] le coefficient de symétrie (Skewness) ne doit pas dépasser |3| et le coefficient
de concentration (Kurtosis) peut être admis jusqu’à |8|. Le coefficient de Mardia doit être inférieur à |3|.

311
likehood), qui nécessite une distribution approximativement normale des variables. Si la
multinormalité des variable ne peut pas être assurée, même de manière approximative, nous
utiliserons une méthode d’estimation dite robuste disponible dans le logiciel Lisrel (robust
maximum likehood), spécialement adaptée aux distributions non normales [Vautier & al. – 2005 ;
Mels – 2006].

- La seconde étape consiste dans l’élaboration de plusieurs modèles concurrents à tester.

Dans le cas de l’analyse factorielle confirmatoire, la structure des modèles est relativement
simple : il s’agit de mettre en rapport une ou plusieurs variables latentes avec des indicateurs de
mesure.
Lorsque le construit apparaît comme unidimensionnel (tous les énoncés contribuent sur un seul
facteur latent), nous testerons la version initiale de l’échelle contre la version réduite issue de
l’analyse factorielle exploratoire (ex : en ce qui concerne l’échelle de soutien organisationnel
perçu, nous comparerons l’échelle complète à 6 items et l’échelle réduite à 5 items obtenue après
analyse factorielle exploratoire). Lorsque le construit est multidimensionnel (ex : implication dans
la profession) nous comparerons le modèle issu de l’étude exploratoire à sa version initiale, et à
une version unidimensionnelle (dans laquelle tous les indicateurs sont reliés à un seul facteur
latent). Cette procédure nous permettra de juger de l’intérêt de conserver des construits
multidimensionnels.

- La troisième étape consiste à sélectionner parmi les modèles testés celui présentant les
meilleurs indices d’ajustement, en fonction des seuils retenus. L’interprétation des différents
indicateurs de qualité d’ajustement peut être délicate, surtout lorsque les modèles sont proches. Il
est généralement recommandé dans ce cas de choisir le modèle le plus parcimonieux (en se
fondant sur les indicateurs adéquats).

- La quatrième et dernière étape vise à s’assurer de la fiabilité, de la validité convergente

et de sa validité discriminante du modèle retenu.

● La fiabilité de l’échelle retenue sera évaluée par un coefficient rhô de Jöreskog (ou rhô de
Ksi). Ce coefficient mesure la fiabilité de cohérence interne d’un construit latent mesuré par une
série d’indicateurs (selon la même logique que le coefficient Alpha de Cronbach). Il est
recommandé lors des phases d’analyse factorielle confirmatoire [Gerbing & Anderson – 1988]
Le coefficient rhô de Jöreskog (non standardisé) se calcule selon la formule suivante :

312
Lambda = contribution factorielle de l’indicateur i
Ksi = variance de l’échelle
Epsilon = erreur de mesure associée à l’indicateur i (variance d’erreur de l’indicateur)
Ses règles d’interprétation sont les mêmes que celles de l’alpha de Cronbach [Roussel & al. 2002] :
une échelle peut être considérée comme suffisamment cohérente dans une phase confirmatoire à
partir du moment où le coefficient rhô est au moins supérieur à 0,70 (un seuil de 0,8 est
préférable).
● En ce qui concerne la validité convergente de l’échelle retenue, celle-ci sera assurée si deux
conditions sont remplies [Roussel & al. – 2002 p. 79] :
- Chaque item doit contribuer significativement sur un construit latent : on considère que c’est le
cas à partir du moment où le test t associé à la contribution factorielle de l’indicateur est supérieur
à 1,96 (pour un risque d’erreur de 5%).
- Chaque indicateur standardisé doit partager plus de variance avec son construit latent qu’avec
son erreur de mesure149. On considère que c’est le cas à partir du moment où la moyenne des
variances entre le construit et ses mesures est supérieure à 0,5. La formule de calcul associée
proposée par Fornell & Larker [1981] correspond à la variance moyenne extraite (VME) ou « rhô
de validité convergente ». La formule de calcul est la suivante :

lambda = contribution factorielle standardisée de l’indicateur i

epsilon = erreur de mesure associée à l’indicateur i

● Lorsque le construit est multidimensionnel (c'est-à-dire qu’il fait apparaître plusieurs facteurs
latents corrélés), il faut enfin procéder à un examen de la validité discriminante de chacun des
facteurs latents. Cet examen peut être fait en comparant les variances partagées par les différents
construits latents avec les variances partagées par les construits avec leurs indicateurs : il s’agit de

149
Le pourcentage de variance d’un item restitué par le construit latent correspond au carré de sa contribution
factorielle

313
vérifier qu’un construit latent partage plus de variance avec ses indicateurs qu’avec le ou les
construits voisins [Roussel & al. – 2002 p 189]. On peut également utiliser un test de différence
de chi-deux : le modèle multidimensionnel est comparé avec un modèle unidimensionnel (dans
lequel tous les indicateurs sont reliés à un facteur unique) : si la différence d’ajustement entre les
deux modèles (mesurée par un test de différence de chi-deux) est significative, et que le modèle
multidimensionnel présente un meilleur ajustement, une preuve supplémentaire de validité
discriminante est apportée.
Nous allons maintenant présenter les principaux résultats de l’analyse confirmatoire pour
chacune des échelles retenues ; la procédure complète et détaillée de validation est disponible en
annexe 9. Les échelles réduite à deux items (volition et autonomie perçue) n’ont pas fait l’objet
d’analyse confirmatoire par les méthodes d’équation structurelles, car ces analyses confirmatoires
ne sont en principe pas possibles sur les modèles comportant un seul facteur latent et moins de
trois indicateurs, car ces modèles posent des problèmes d’identification150. Nous avons
simplement pu vérifier que la fiabilité de ces deux construits mesurés par le coefficient alpha de
Cronbach demeurait bonne sur le deuxième échantillon. Nous obtenons des niveaux proches de
ceux calculés sur le premier échantillon (0,68 pour la volition et 0,82 pour l’autonomie)

4.2.3. Les résultats obtenus

Pour chacune des échelles testées, nous allons présenter, le cas échéant, les indices d’ajustement
de plusieurs modèles concurrents, ainsi que les coefficients rhô de fiabilité et de validité
convergente (correspondant à la variance moyenne extraite : VME).

- Echelle de valeur intérimaire perçue

MODELE GFI AGFI RMSEA IFI CFI

Seuils > 0,9 > 0,9 ≤ 0,08 > 0,9 > 0,9
d’acceptabilité
Modèle 0,99 0,97 0,01 1 1
théorique

Fiabilité de l’échelle : Coefficient rhô de Jöreskog = 0,73

Variance extraite (rhô de validité convergente de Fornell & Larker) = 0,49
Le modèle présente de très bons indices d’ajustement ; sa fiabilité et sa validité convergente sont
acceptables. Nous pouvons donc retenir cette échelle pour la suite de notre étude.

150 Le nombre de degrés de liberté de ce type de modèles est au mieux égal à zéro, ce qui ne permet pas
l’estimation (pour une analyse détaillée, on peut se reporter à Kline (2005), p.174).

314
- Echelle de soutien organisationnel perçu :
Nous avons comparé deux modèles : le modèle initial à 6 énoncés avec le modèle réduit à 5
énoncés issu de notre étude exploratoire
Modèles GFI AGFI RMSEA IFI CFI Chi deux AIC PNFI
normé
Seuils d’acceptabilité > 0,9 > 0,9 ≤ 0,08 > 0,9 > 0,9 <5 le plus le plus
faible faible
SOP 6 items (mod. 0,98 0,95 0,01 1 1 1,01 34,15 0,52
théorique)
SOP 5 items 0,98 0,93 0,07 0,99 0,99 1,67 28,7 0,39
(modèle issu de
l’étude exploratoire)

Les deux modèles étant très proches, nous retenons le modèle à 5 items, plus parcimonieux.
Fiabilité de l’échelle : Coefficient rhô de Jöreskog de l’échelle à 5 items = 0,80
Variance extraite de l’échelle réduite (rhô de validité convergente) = 0,46
La fiabilité est bonne et la validité convergente légèrement en deçà du seuil d’acceptabilité.
Nuus décidons donc de conserver l’échelle dans sa version réduite.

- Echelle d’équité relative perçue

L’échelle initiale d’équité perçue ayant été conservée à l’issue de l’analyse factorielle exploratoire,
nous testons simplement sa qualité d’ajustement en utilisant des indices absolus et relatifs :
MODELE GFI AGFI RMSEA IFI CFI
Seuils > 0,9 > 0,9 ≤ 0,08 > 0,9 > 0,9
d’acceptabilité
Modèle 0,99 0,97 0 1 1
théorique

Fiabilité de l’échelle : Coefficient rhô de Jöreskog = 0,758

Variance extraite (rhô de validité convergente) = 0,44
Dans le cas de l’échelle d’équité relative perçue, la validité convergente est médiocre (mais
demeure proche du seuil de 0,5). Etant donné que l’échelle d’équité perçue présente un bon
ajustement aux données empiriques et une fiabilité suffisante, nous décidons donc de la retenir
pour la suite de notre étude, malgré une validité convergente en deçà du seuil d’acceptabilité.

- Echelle d’implication organisationnelle

Nous avons confronté trois modèles différents : un modèle unidimensionnel, dans lequel les
facteurs affectif, normatif et calculé ne sont pas distingués ; un modèle théorique comportant
trois facteurs (affectif, normatif et calculé) représentant les trois dimensions de l’implication dans

315
la conceptualisation de Meyer & Allen, et enfin le modèle bidimensionnel issu de notre étude
exploratoire :
Modèles GFI AGFI RMSEA IFI CFI Chi deux AIC PNFI
normé
Seuils d’acceptabilité > 0,9 > 0,9 ≤ 0,08 > 0,9 > 0,9 <5 le plus le plus
faible faible
Modèle théorique 0,86 0,80 0,093 0,95 0,95 1,7 224,9 0,72

Modèle 0,72 0,61 0,17 0,87 0,87 4,95 431,74 0,69

unidimensionnel
Modèle issu de 0,91 0,86 0,071 0,97 0,97 1,69 140,8 0,72
l’étude exploratoire

Le modèle issu de l’étude exploratoire apparaît clairement supérieur aux deux autres. Nous le
conservons donc.
Fiabilité de la dimension Fiabilité de la dimension calculée
affective/normative Coefficient rhô de Coefficient rhô de Jöreskog = 0,72
Jöreskog = 0,89
Variance extraite pour la dimension
Variance extraite pour la dimension calculée : rhô de validité convergente de
affective : rhô de validité convergente de Fornell Fornell & Larker = 0,40
& Larker) = 0,50

Fiabilité de l’échelle complète = 0,91

Variance moyenne extraite de l’échelle totale = 0,47

En ce qui concerne la validité discriminante du modèle testé, la corrélation entre les deux
facteurs latents (0,34) est nettement inférieure à toutes les contributions factorielles des items des
deux sous-échelles, et que le test de différence de chi-deux entre modèle unidimensionnel et
modèle à deux facteurs est significatif (voir annexe 9). On peut donc affirmer que les facteurs
sont suffisamment indépendants et que la validité discriminante de l’échelle d’implication
organisationnelle est suffisante.
La validité convergente de la sous-échelle d’implication organisationnelle calculée est médiocre :
ceci confirme les réserves précédemment faites sur la fiabilité globale de la dimension calculée de
l’implication organisationnelle appliquée aux salariés intérimaires. Nous conservons cependant
cette échelle pour la suite de notre travail étant donné que sa fiabilité reste à un niveau acceptable
dans le cadre d’une étude exploratoire (la validité discriminante est établie et la fiabilité interne de
la sous-échelle est supérieure à 0,7 en phase exploratoire et confirmatoire, ce qui la situe dans les
normes d’acceptation en sciences sociales).

316
- Echelle d’implication dans la profession
Nous avons confronté le modèle issu de notre étude exploratoire à un modèle unidimensionnel,
dans lequel tous les indicateurs sont corrélés à un facteur latent unique.
Modèles GFI AGFI RMSEA IFI CFI Chi deux AIC PNFI
normé
Seuils d’acceptabilité > 0,9 > 0,9 ≤ 0,08 > 0,9 > 0,9 <5 le plus le plus
faible faible
Modèle 0,83 0,67 0,19 0,85 0,85 6,15 151,9 0,56
unidimensionnel

Modèle issu de 0,96 0,92 0,051 0,99 0,99 1,36 60,5 0,62
l’étude exploratoire

Le modèle issu de l’étude exploratoire présente un bien meilleur ajustement. Ceci confirme le
caractère multidimensionnel de l’implication dans la profession.

Fiabilité de la dimension Fiabilité de la dimension calculée

affective/normative Coefficient rhô de Coefficient rhô de Jöreskog = 0,77
Jöreskog = 0,85
Variance extraite pour la dimension
Variance extraite pour la dimension calculée : rhô de validité convergente de
affective : rhô de validité convergente de Fornell Fornell & Larker = 0,46
& Larker) = 0,59

Fiabilité de l’échelle complète = 0,90

Variance moyenne extraite de l’échelle totale = 0,53

La fiabilité de la sous échelle d’implication affective est très satisfaisante (>0,8) et la fiabilité de la
sous dimension calculée est acceptable (> 0,75).
La corrélation entre les deux sous-dimensions de l’implication dans la profession est notable (r =
0,43), ce qui montre que les deux sous-échelles mesurent des construits partageant des
caractéristiques communes.
En ce qui concerne la validité discriminante du modèle testé, on peut constater que la
corrélation entre les deux facteurs latents (0,43) est nettement inférieure à toutes les contributions
factorielles des items des deux sous-échelles, et que le test de différence de chi-deux entre
modèle unidimensionnel et modèle à deux facteurs est significatif (annexe 9) . On peut donc
affirmer que les facteurs sont suffisamment indépendants.

317
- Echelle d’implication dans les valeurs du travail
Nous avons confronté un modèle unidimensionnel avec le modèle issu de notre étude
exploratoire.
Modèles GFI AGFI RMSEA IFI CFI Chi deux AIC PNFI
normé
Seuils d’acceptabilité > 0,9 > 0,9 ≤ 0,08 > 0,9 > 0,9 <5 le plus le plus
faible faible
Modèle 0,95 0,91 0.069 0,96 0,96 1,67 51,37 0,61
unidimensionnel
Modèle issu de 0,97 0,92 0.082 0,97 0,97 1,93 29,67 0,47
l’étude exploratoire

Bien que les deux modèles soient très proches le modèle issu de l’étude exploratoire présente une
meilleure qualité d’ajustement, notamment au niveau de la parcimonie. Nous le conservons donc.
Fiabilité de l’échelle : Coefficient rhô de Jöreskog = 0,77
Variance extraite (rhô de validité convergente de Fornell & Larker) = 0,45
La fiabilité est bonne et la validité convergente légèrement en deçà du seuil d’acceptabilité.
Nous décidons donc de conserver l’échelle dans sa version réduite.

Le tableau suivant résume les résultats obtenus sur les six échelles testées :
Echelle Nombre Fiabilité Validité convergente
d’énoncés retenus (rhô de Jöreskog) (VME)
Valeur intérimaire 3 0,73 0,49
Soutien perçu 5 0,80 0,46
Equité relative perçue 4 0,76 0,44
Implication organisationnelle
- échelle complète 12 0,91 0,47
- dimension affective 8 0,89 0,50
- dimension calculée 4 0,72 0,40
Implication dans la profession
- échelle complète 8
- dimension affective 4 0,85 0,59
- dimension calculée 4 0,77 0,46
Implication dans la valeur 5 0,77 0,45
travail

Nous pouvons remarquer en conclusion que l’analyse confirmatoire nous a permis de valider
toutes les structures identifiées sur le premier échantillon, lors de la phase exploratoire. Toutes les
échelles retenues présentent de bons indicateurs de fiabilité, mais on constate que leur validité
convergente est généralement légèrement inférieure au seuil de 0,5.

318