Analyse factorielle semi-confirmatoire ou modelage exploratoire d’équation structurelle

Les intérêts professionnels comme expression de la personnalité

En 1909, Parsons posa les premières bases pour définir les intérêts (Briddick, 2009).
Les intérêts se construiraient chez les individus grâce aux actions et aux pensées passées et ils s’ intègreraient au niveau cérébral. Ainsi, l’alignement des comportements et les choix d’un individu seraient dépendants des apprentissages passés. Parsons prônait une diversification des activités offertes au niveau éducationnel et ce, dans l’optique de développer les intérêts personnels, mais aussi pour aider les gens à trouver leur propre vocation professionnelle (Briddick, 2009). Ainsi, après le passage du temps, le domaine vocationnel s’entend pour dire que les intérêts se développent chez un individu à la suite de l’ interaction de son hérédité et l’environnement dans laquelle il a grandi (Holland, 1997; Strong, 1958; Su et al., 2015).
Holland (1959, 1997) apporte d’ ailleurs un éclairage sur le développement des intérêts et leur lien avec la personnalité. En grandissant, l’individu va voir ses activités se transformer en intérêts. Lorsqu’ ils seront renforcés par l’environnement, l’individu ressentira de la satisfaction. Il va ainsi acquérir des compétences particulières. Lentement, le tout formera chez un individu une personnalité professionnelle présentant des caractéristiques et des comportements particuliers incluant: le concept de soi, la perception individuelle des environnements de travail, ses croyances et ses valeurs, ses performances, sa façon de réagir à l’environnement, ses préférences, son style
d’ adaptation, ses compétences et ses traits de personnalités.
Une autre figure importante du domaine vocationnel, Strong (1958), décortique les intérêts en cinq caractéristiques. Tout d’abord, les intérêts sont acquis lors de l’association d’une émotion avec une activité. Les émotions positives poussent à vouloir recommencer une activité, alors que les émotions négatives poussent à les éviter. Par exemple, un enfant qui éprouve du plaisir à faire du sport va vouloir essayer plusieurs activités sportives.
Cependant, si l’ enfant n’ est pas bon en sport et qu’ il n’aime pas que les autres enfants se moquent de lui, il a de grandes chances qu’ il apprenne à préférer les activités solitaires, tel que la lecture. En second lieu, les intérêts sont durables, permanents lorsqu’ installés.
Par exemple, une personne qui a grandi en lisant des livres va toujours aimer la lecture.
La troisième caractéristique selon Strong est l’ intensité d’un intérêt. Un individu est facilement capable d’indiquer quelles activités il aime et lesquelles il préfère. Par exemple, une personne peut préférer faire des calculs mathématiques plutôt que de faire de l’ébénisterie tout en aimant tout de même travailler manuellement avec le bois. Une quatrième caractéristique est l’acceptation-rejet. Elle peut être mise en association avec la cinquième et dernière caractéristique, la préparation à l’ agir. Le chemin qui se forme est dénommé par Strong comme suit : action-direction-choix. L’ intensité des émotions associées au choix va déterminer le chemin choisi par l’ individu. Par exemple, si quelqu’un vend du chocolat en passant de porte en porte, les gens qu’ il rencontrera vont réagir différemment. Si la personne à la porte aime le chocolat, il y a de fortes chances qu’elle en prenne. Si elle n’aime pas, elle refusera. Toutefois, d’autres variables passées vont entrer en jeux. Par exemple, si la personne refuse le chocolat parce qu’ elle fait attention à son poids, et que c’est la troisième personne qui passe pour lui en vendre, il se peut qu’ elle réagisse avec plus d’agressivité et d’exaspération que les deux premières fois.
Elle peut penser « Pauvre petite, si je lui cris après, cela ne sera pas juste. Elle ne le sait pas que les autres sont passés avant elle. », alors finit par dire oui et elle achètera du même coup du chocolat.

Les procédures statistiques

Lors de la validation d’un instrument de mesure, des analyses factorielles sont habituellement effectuées. Ce type d’analyse multivariée permet d’ identifier les facteurs pouvant expliquer la variabilité entre les mesures à l’étude (Tabachnick & Fidell, 2012).
L’ analyse factorielle permet ainsi de réduire les données en plus petits groupes de mesure nappelés facteurs. Pour les analyses statistiques, des analyses factorielles exploratoires ont tout d’abord été effectuées. Ces analyses permettent de prendre une décision en lien avec le nombre de facteurs latents au groupe de mesures. La méthode d’extraction a été effectuée en composante principale et la méthode de rotation Promin a été utilisée.
L’analyse en composante principale est plus appropriée pour la réduction des données, car elle permet d’estimer la variance des variables mesurées (Fabrigar, Wegener, MacCallum, & Strahan, 1999). Par la suite, des analyses semi-confirmatoires (modelage exploratoire d’équations structurelles) ont été effectuées afin de vérifier la validité de construit ainsi que la correspondance de notre modèle théorique (Bourque, Poulin, & Cleaver, 2006).
Chaque facteur a été interprété en observant les saturations factorielles de chaque item à l’ intérieur de ce même facteur. Il est conseillé d’ avoir des saturations plus grandes que 0,30 lorsque le nombre de sujets est supérieur à 350 (Hair et al., 1998). La méthode d’extraction privilégiée est le Robust Diagonally Weighted Least Squares (RDWLS) (Di Stefano & Morgan, 2014) avec la méthode de rotation Promax. Ce choix de méthode d’extraction est plus approprié lorsque la distribution est non paramétrique et que le nombre de facteurs extraits est déjà connu (Bourque et al., 2006). Pour la méthode de rotation, la rotation Promax permet d’exécuter une rotation orthogonale suivie d’une rotation oblique (Browne, 2001). De plus, elle permet aussi d’obtenir des facteurs indépendants, mais aussi des facteurs corrélés, un choix plus approprié pour les sciences sociales (Pett, Lackey, & Sullivan, 2003). De ce fait, les matrices factorielles pour chaque dimension présentent le nombre de facteurs ainsi que les items constituant chaque facteur et la saturation factorielle pour chaque item. L’analyse des résultats à cette étape permet de vérifier le nombre de facteurs total, que le nombre d’ items par facteur dépasse quatre items et que chaque item ne sature que dans un facteur et non dans plusieurs (item complexe : doit être modifié ou enlevé lorsque présent) (Tabachnick & Fidell, 2012).
Au début des analyses factorielles exploratoires, la validité prédictive a été vérifiée.
Une analyse descriptive des items a été effectuée, de même qu’une vérification de la matrice factorielle. Les trois procédures retenues ont été les suivantes : (1) vérification l’adéquation de la solution factorielle avec l’index d’adéquation de l’échantillon Kaiser50 Meyer-Olkin (KMO) (Kaiser & Rice, 1974). Cela a permis de confirmer si les six modèles à l’étude contiennent bien des facteurs sous-jacents. Le résultat varie entre 0 et 1. Idéalement, il doit être le plus proche possible de 1. Lorsque le résultat est plus bas que 0,5, il n’est pas recommandé de poursuivre l’ interprétation de l’ analyse factorielle étant donné que l’adéquation factorielle globale affiche un niveau inacceptable; (2) vérification du déterminant IRI de la matrice de corrélation afin de vérifier que toutes les corrélations de la matrice sont différentes de zéro (Kline, 2016); (3) enfin, vérification de la statistique de sphéricité de Bartlett, celle-ci permet de vérifier si la matrice de corrélation ne correspond pas à une matrice d’ identité (Tabachnick & Fidell, 2012). Pour la vérification du nombre de facteurs sous-jacents, le calcul des valeurs propres et une analyse parallèle ont été effectués. Le premier résultat se trouve dans le tableau intitulé « Total Variance Explained » (Variance totale expliquée). Ce tableau permet d’ indiquer le nombre de facteurs pouvant expliquer les données. Il indique le nombre de facteurs ayant une valeur propre (( eigenvalues ») plus grande que 1, soit 1 0% de variance (Tabachnick & Fidell, 2012). Par la suite, ce tableau permet de voir si les items constituant le facteur sont suffisamment corrélés entre eux. La variance totale expliquée et observée pour les six facteurs et leurs sous-dimensions a été vérifiée. Idéalement, une variance totale expliquée entre 40% et 60% est souhaitée, cependant cela dépend du concept à l’ étude et de sa complexité (Stevens, 2002). D’autre part, une analyse parallèle a été effectuée pour déterminer le nombre de facteurs intrinsèques aux données disponibles à l’ étude. Le tout est basé sur les résultats des valeurs propres des données réelles par facteur où celles-ci doivent être plus grandes que le percentile 95 de valeurs propres aléatoires (bootstrap de 500 matrices) (Tirnrnerman & Lorenzo-Seva, 2011).
Ensuite, la fidélité pour chacune des six dimensions et leurs sous-facteurs respectifs a été vérifiée. Celle-ci renvoie à la cohérence interne des facteurs constituant l’instrument (Bernaud, 1998). Diverses méthodes permettent de s’assurer d’une fiabilité adéquate. Pour cette étude, la consistance interne a été vérifiée à l’aide de trois coefficients. Le premier indice de fidélité permettant d’évaluer la cohérence interne est l’ alpha de Cronbach standardisé (Cronbach, 1971). Cet indice permet de comparer la consistance interne de l’ITCP aux autres instruments existants même si les échelles de mesure diffèrent. Il varie entre 0 et 1 et le seuil minimum requis suggéré est 0,70 (Nunnally, 1978). Cependant, dépendarnrnent des auteurs, le seuil alpha varie de 0,60 à 0,80 (De Vellis, 1991 ; Nunnally & Bernstein, 1994). Deux autres indices ont aussi été retenus, l’Omega de McDonald’s et le GLB ou Greatest Lower Bound to Reliability (Woodhouse & Jackson, 1977). Ces derniers s’interprètent de la même façon qu’un alpha de Cronbach. Cependant, il est suggéré d’ avoir un bassin de 1000 sujets et plus à cause de la possibilité d’un biais positif lié à l’échantillonnage. Étant donné que 877 participants ont été recrutés, nous avons estimés que ce chiffre été assez proche 1000, par conséquent ces coefficients ont été observés (Ten Berge & Socan, 2004). De plus, pour chacun des sous-facteurs, trois autres indices ont été observés, l’UniCo (Unidimensional Congruence), l’ECV (Explained Common Variance) et le MlREAL (Mean of Item REsidual Absolute Loadings). Pour que les données soient traitées essentiellement comme étant unidimensionnelles, l’UniCo doit être plus grand que 0,95, pour l’ECV c’ est 0,85 et pour le MlREAL, il doit être plus petit que 0,30 (Ferrando & Lorenzo-Seva, 2017). Ces résultats ont été basés sur l’analyse des matrices polychoriques. Celles-ci sont plus appropriées lorsqu’une échelle de Likert est utilisée, soit une échelle ordinale. Les corrélations polychoriques permettent de calculer ces variables comme étant des variables continues (Pohlmann, 2004).

Analyses des composantes principales – Extraction des facteurs

Afin de répondre à notre première question de recherche, soit de déterminer combien de sous-dimensions sont inhérentes à chacune des six dimensions latentes, des analyses factorielles exploratoires en composantes principales ont été effectuées. Les coefficients de Kaiser-Meyer-Olkin (KMO), les déterminants de la matrice des corrélations (JRJ) et les résultats du test de sphéricité de Bartlett sont présenté tableau 1. Les coefficients KMO des six dimensions sont entre 0,76 et 0,84. Ces résultats démontrent que les corrélations partielles sont petites et que leur variance est partagée par plus de deux variables. Il y a donc une bonne adéquation des corrélations entre les items à l’étude. Les déterminants des matrices de corrélation (JRJ), pour chacune des dimensions de Holland, sont très petits, mais différents de zéro (entre 0,026 et 0,095). Cet indice met en avant l’absence de redondance de l’information, et l’absence du phénomène de colinéarité des données.
Finalement, les tests de sphéricité de Bartlett sont tous significatifs (p > 0,05), cela permet de rejeter l’hypothèse nulle indiquant que les matrices de corrélation sont des matrices d’ identité. Les résultats de ces analyses préalables indiquent que les échantillons de données permettent de réaliser des analyses en composantes principales, factorielles exploratoires et semi-confirmatoires pour chacune des six dimensions à l’étude

Table des matières

Sommaire 
Liste des tableaux
Liste des figures
Remerciements
Introduction
Le choix vocationnel : la théorie Personne-Environnement
Les intérêts professionnels comme expression de la personnalité
L’ importance de la congruence personne-environnement
John L. Holland (1919-2008)
Les six types de personnalité
Les types d’ environnements de travail
Théorie hexagonale des personnalités vocationnelles et des environnements de travail de Holland – RIASEC
Développement de l’ Inventaire Typologique de Caractéristiques Personnelles (ITCP)
Objectifs et questions de recherche
Méthode 
Procédure de collecte
Participants
Matériel 
Élaboration de l’ITCP-90
Choix du logiciel
Résultats 
Analyses factorielles pour les six dimensions
Les procédures statistiques
Analyses des composantes principales – Extraction des facteurs
Analyse factorielle exploratoire – Rotation des facteurs
Analyse factorielle semi-confirmatoire ou modelage exploratoire d’équation structurelle
Fidélité ou consistance interne
Discussion
Les six dimensions (RlASEC) et leurs 18 sous-dimensions
Les relations entre les six dimensions (RlASEC) du modèle hexagonal de Holland
L’ITCP-90 et l’ajustement des données des modèles
La consistance interne de l’ITCP-90
L’ITCP-90 : conséquences et retombés pour les recherches futures
Les forces et les faiblesses de l’ITCP-90
L’importance de l’utilisation de l’ ITCP-90
Conclusion
Références 
Appendice A 
Appendice B

Télécharger le rapport complet