Modèle d’analyse valide de l’intention entrepreneuriale des étudiantes

Modèle d’analyse valide de l’intention entrepreneuriale des étudiantes

Chapitre 6 :

Modèle d’analyse valide de l’intention entrepreneuriale des étudiantes

Introduction

Dans ce chapitre, nous exposerons les tests d’homogénéité des construits, et nous testerons les hypothèses issues de notre modèle de recherche.

Tout d’abord, nous réaliserons des analyses factorielles et des tests d’alpha de Cronbach. Ceci nous permettra de passer à l’agrégation et l’épuration des items relatifs aux échelles de mesure du questionnaire.

Le test paramétrique qui analysera l’intention selon la filière d’étude délimitera le choix de distinguer deux échantillons lors des calculs : celui des « Master, faculté science de gestion  » et celui des « Master, faculté de sciences  » ou bien un échantillon.

Puis, nous soumettrons les relations formulées dans nos hypothèses de recherche à des tests de manière à déterminer, lorsqu’elles existent, la nature et la signification des déterminants des variables de désirabilité et de faisabilité.

Enfin, ce travail nous permettra de discuter des résultats de cette recherche par rapport au modèle théorique proposé. Parallèlement, nous proposerons des illustrations/confrontations des hypothèses non validées par les discours des différents répondants de notre étude exploratoire.

Enfin, ce travail nous permettra de discuter des résultats de cette recherche par rapport au modèle théorique proposé.

Figure 63. Plan de cheminement du chapitre 6

I. Etude de l’homogénéité des échelles

I.1 Une adaptation de la méthode de Churchill (1979)

I.2 Les résultats de l’analyse de condensation des échelles

II. Les tests et les analyses de validation des hypothèses

II.1 Les tests paramétriques

II.2 Les régressions linéaires et ANOVA

I- Etude de l’homogénéité des échelles 292

Pour l’étude de l’homogénéité des échelles, nous présenterons tout d’abord, la démarche de Churchill (I.1) de laquelle nous nous sommes inspirés pour la mise en oeuvre de l’analyse de condensation des échelles (I.2).

I.1 Une adaptation de la méthode de Churchill (1979)

Le processus le plus classique pour la validation des échelles de mesure reste celui préconisé par Churchill (1979) et repris par Gerbing et Anderson (1988) sous la désignation de « paradigme de Churchill » (figure ci-dessous).

Figure 64. Procédure de validation d’une échelle de mesure116

Le paradigme de Churchil

Spécificité du domaine de construit

Création d’un échantillon d’items

Purification de la mesure

Collecte de données

Evaluation de la fiabilité

Evaluation de la validité

Développement de normes

La démarche se restaure en plusieurs étapes qui sont généralement regroupées selon deux phases essentielles: la phase de conception et la phase de validation.

La première traite de la génération d’un ensemble d’items censés mesurer un construit théorique, ainsi que de la purification de la liste retenue à partir d’une première étude empirique. Cette démarche permet donc de retenir les meilleurs items.

La seconde phase de validation vise à vérifier par les mesures, en termes de fiabilité et de viabilité, les données issues de la nouvelle liste d’items. Ainsi, des indicateurs statistiques peuvent être délibérés.

La dimensionnalité, ou encore la validation des échelles de mesure, se réalise grâce à l’analyse factorielle. La fiabilité, quant à elle, s’apprécie grâce au coefficient (α) de Cronbach.

Nous mobiliserons les deux outils simultanément pour l’étude des items utilisés pour mesurer les différentes variables de notre modèle de recherche.

I.2 L’analyse de condensation des échelles

Pour présenter les résultats de la validation des échelles de mesures dans cette recherche, la procédure suivie concerne l’étude de la dimensionnalité par analyses factorielles, et l’étude de la fiabilité réalisée à partir de l’étude du coefficient alpha de Cronbach (α)117.

L’Analyse en Composantes Principales (ACP) est une méthode destinée à analyser les relations entre des données quantitatives. C’est la méthode la plus utilisée, parmi les méthodes descriptives, pour l’épuration et la validation des échelles (Evrard et al., 2000, p.376 ; Igalens et Roussel, 1998, p.152).

Elle analyse uniquement les relations linéaires pouvant exister entre les variables. L’ACP s’effectue sur des données centrées-réduites, les variables présentent alors la même variabilité et ont la même influence dans le calcul de la distance entre les individus.

Elle révèle une structure factorielle à travers laquelle la (les) composante(s) identifiée(s) est (sont) clairement reliée(s) à des items.

Si la variable est unidimensionnelle, alors la totalité des items se rapporte au même facteur (c’est-à-dire au même axe factoriel), et l’échelle formant ces items ne mesure alors qu’une seule dimension de la variable étudiée.

Sinon, la structure factorielle est à deux facteurs ou plus, et la variable est donc considérée comme bi ou multidimensionnelle.

Plusieurs critères théoriques ont été proposés pour choisir le nombre d’axes à retenir et les items à supprimer.

Pour l’élimination des items, il existe des critères s’appuyant sur le degré de la contribution aux axes factoriels (Igalens et Roussel, 1998, p.155) :

• Il est prescrit de supprimer les items dont les contributions factorielles sont supérieures à 0.30 sur plusieurs facteurs, ou n’ayant aucune contribution atteignant ce score sur l’un des facteurs principaux retenus.
• Il est recommandé aussi d’éliminer les items n’ayant aucune contribution supérieure ou égale à 0.50 sur les mêmes facteurs.

Pour le nombre d’axes à retenir, souvent, trois critères émergent (Igalens et Roussel, 1998, p.154) :

• le critère de kaiser : nous retenons les axes dont les valeurs propres sont supérieures a 1 ;
• le diagramme des valeurs propres : la présence d’un « coude » dans le diagramme permet de déterminer le nombre d’axes à étudier ;
• le pourcentage de la variance expliquée : le nombre d’axes retenus doivent expliquer un pourcentage de variance totale au moins égal à 50%.

Plus généralement, il est conseillé de retenir les axes que nous savons interpréter (Leroux- Scribe, 1995). Cette interprétation se fait à l’aide des contributions des individus et des variables.

En ce qui concerne la suppression d’items dont la contribution factorielle est inférieure à 0.30, nous avons effectué des rotations des axes orthogonaux de l’ACP initiale. Le but étant d’ajuster la structure proposée en augmentant la valeur des coefficients de corrélation de certains items avec les nouveaux axes de représentation.

Plusieurs méthodes de rotation sont proposées (de type orthogonal ou de type oblique). Nous avons retenu la rotation Varimax. Elle se base sur la maximisation des coefficients de corrélation des variables les plus corrélées c’est-à-dire la proportion de la variance expliquée par les premières composantes principales.

Plus concrètement, dans cette analyse factorielle, un certain nombre de facteurs est extrait (dont la valeur propre est supérieur à 1) pour représenter les inter-corrélations parmi les variables observées.

L’objectif d’une analyse factorielle est de réduire l’information disponible à un nombre limité de variables en tournant les facteurs de façon à ce que les items soient saturés sur le moins de facteurs possible.

En outre, pour le seuil d’acceptation du coefficient de Cronbach, en vue du caractère exploratoire de la recherche, nous avons retenu la valeur de 0.60 comme seuil minimum de signification, seuil recommandée par Evrardet al.,( 1997) , Igalens et Roussel(1998) .

Notons, à cet effet, que ce coefficient s’emploie généralement dans les échelles métriques, de proportion ou d’intervalle. Cependant, certaines échelles de type ordinale ou Likert, comme c’est le cas dans cette recherche, sont le plus souvent considérées comme des échelles métriques.

Lorsque l’α d’une échelle est inférieur au seuil retenu, nous avons vérifié la contribution de chaque item au score total de l’échelle. Ainsi, certains items peuvent être supprimés si leur élimination contribue à l’amélioration de la cohérence d’ensemble de l’échelle.

Par ordre croissant des hypothèses, nous allons appliquer les tests d’homogénéité aux données recueillies dans l’échantillon de référence. Les résultats de l’analyse seront présentés selon les principales variables retenues dans notre modèle de recherche.

Puisque un de nos objectifs est de vérifier si la sensibilisation ou formation en entrepreneuriat influencent l’intention entrepreneuriale, il est indiqué de comprendre cette intention en premier lieu, puis la comparer à celle d’individus ne suivant pas ce type de sensibilisation.

Dans ce sens, la stratégie comparative, dans le cas de notre recherche, n’est pas un mode d’analyse particulier mais un objectif ; l’objectif étant de tester l’hypothèse qui mesure l’intention selon la filière d’étude (H5).

A cet effet, nous n’aurons pas besoin d’épurer toutes les données et de structurer toutes les variables. Les résultats de l’analyse de condensation concernant l’échantillon témoin seront présentés en annexe IV pour des raisons de simplicité.

I.2.1 Désirabilité

La fiabilité étant une condition nécessaire d’homogénéité, nous avons procédé au test de cohérence interne pour approfondir les résultats de l’ACP. L’α global est égal à 0,781, ce qui est une valeur largement supérieure à la norme retenue, soit 0,60.

L’échelle présente donc une bonne cohérence interne. Ainsi, nous avons retenu la totalité des items pour continuer l’analyse factorielle. Nous avons continué l’analyse factorielle.

Nous avons conçu une échelle multiple à 2 items pour mesurer cette variable. Pour tester sa dimensionnalité, nous avons effectué une analyse factorielle reprise dans le tableau ci- dessous.

La procédure de résolution permet d’identifier les axes factoriels, de calculer la variance qui leur est associée et les contributions factorielles de chaque item. L’ACP indique que la variable « Désirabilité  » ainsi constituée est unidimensionnelle pour les étudiantes filière « Gestion ».

Les 2 items se rapportent de manière significative à la même composante. Ils ont tous un coefficient de contribution factorielle (Component matrix) supérieur à 0,9. De plus, 82.043 de l’information recueillie est représentée par le seul facteur contenant ces items. Tableau 28. ACP Désirabilité

Contribution F1
Vous désirez devenir créateur d’uneentreprise	.906
L’idée de créer votre entreprise vous sembleattractive	.906
Valeur propre	1.641
% de la variance expliquée	82.043

I.2.2 Faisabilité

Les données collectées sur les étudiantes de la « Faculté de Gestion » concernant la variable « faisabilité » présente une valeur satisfaisante de l’α, soit 0,607. L’échelle de cette variable présente donc une bonne cohérence interne.

Nous avons conçu une échelle multiple à 2 items pour mesurer cette variable. Pour tester sa dimensionnalité, nous avons effectué une analyse factorielle reprise dans le tableau ci- dessous. L’ACP indique que la variable « faisabilité  » ainsi constituée est unidimensionnelle pour les étudiantes « faculté de gestion ».

Les 2 items se rapportent de manière significative à la même composante. Ils ont tous un coefficient de contribution factorielle (Component matrix) supérieur à 0,8. De plus, 72.064 de l’information recueillie est représentée par le seul facteur contenant ces items.

Tableau 29. ACP Faisabilité

Contribution F1
Il vous semble possible de monter un projet de création d’entreprise et d’assurer sonaboutissement	.849
En l’état actuel, créer de A à Z votre entreprise vous semble faisable	.849
Valeur propre	1.441
% de la variance expliquée	72.064

I.2.3 Attitude

La mesure de l’attitude a nécessité la reprise de deux items. Ces derniers ont été confrontés à une analyse de cohérence interne. Les résultats révèlent un coefficient de Cronbach satisfaisant soit 0.661. Nous avons continué l’analyse factorielle.

Ils ont tous un coefficient de contribution supérieur à 0,8. En outre, les items restituent 74.67% de la variance de l’information. Nous vérifions ainsi que les items se regroupent bien entre eux suivant la dimension qu’ils sont censés représenter.

Tableau 30. ACP Attitude

Contribution F1
Vous êtes favorable au fait de vous engager dans une créationd’entreprise	.864
Vous avez une attitude entrepreneuriale	.864
Valeur propre	1.494
% de la variance expliquée	74.679

I.2.4 Motivation

Pour l’étude de l’échelle motivation, nous avons mobilisé 10 items. Un premier coefficient de Cronbach nous donne un résultat très satisfaisant soit 0.827. Les résultats sont satisfaisants, nous avons donc continué l’analyse factorielle.

La première ACP établie sur la totalité des items met à jour des résultats mitigés. La part de chaque variable sur les différents items n’est pas claire : par exemple la motivation liée à la flexibilité d’horaires une contribution supérieure à 0.3 (0.544 ; 0.522) sur les deux axes ; de même pour la motivation et celle liée à création de son propre emploi (0.542 ; 0.618). Ainsi, nous avons précédé à une rotation des axes.

Cette opération a permis de retrouver une structure plus adéquate. Nous avons retrouvé des axes significatifs. L’interprétation du premier axe se rapporte à la motivation psychologique lié davantage l’individu en tant que tel (avoir de responsabilité, avoir plus d’argent, avoir une satisfaction, être autonome).

Tandis que le dernier axe met en jeu des variables environnementales (avoir de flexibilité pour gérer mes horaires, échappé au chômage en créant mon propre emploi).

Tableau 31. ACP Motivations (après rotation)

Contribution F1	Contribution F2
Je prendrai des responsabilités nouvelles	.711	.140
Je gagnerai plus d’argent	.601	.207
J’évoluerai professionnellement	.763	.021
Je serai autonome (être mon propre chef)	.644	.308
J’aspire à plus de liberté et de reconnaissance sociale entant que femme	.502	.453
J’aurai une satisfaction personnelle	.715	.215
Construire un patrimoine pour ma famille	.416	.577
J’aurai plus de flexibilité pour gérer mes horaires	.115	.745
J’échapperai au chômage en créant mon propre emploi	.055	.820
Je créerai des emplois	.447	.520
Valeur propre	4.102	1.153
% de la variance expliquée	41.021	11.535

I.2.5 Proactivité

Prendre des risques est parmi les traits les plus caractéristiques de l’activité de l’entrepreneur. La propension à prendre des risques a été étudiée à travers 6 items. Sur ces derniers nous avons opéré une analyse de la cohérence interne qui a montré un résultat plutôt très satisfaisant. Le coefficient alpha est d’une valeur 0.753.

Suite à l’étude de la cohérence interne qui est satisfaisante, nous avons retenu la totalité des items pour continuer l’analyse factorielle. Celle-ci n’a pas donné une structure factorielle claire.

En effet, certains items avaient des contributions proches et souvent supérieures à 0.3 sur des axes différents. Par exemple, « risque financier » 0.625 sur l’axe 1 et 0.558 sur l’axe 2. De ce fait nous avons établi la rotation des axes qui a permis de clarifier le sens de la structure fournie.

Le premier axe détermine la propension à prendre les risques liés plutôt à la personne (Risque émotionnel, Risque social, Risque de la famille), le deuxième axe détermine la propension à prendre les risques plutôt environnementales (risque général, risque financier, risque de carrière).

Les premier et deuxième facteurs restituent respectivement 45.056% et 17.822% de l’information recueillie ; le plan factoriel qu’ils constituent rend compte de (62,878%) de l’information de départ.

Tableau 32. ACP Proactivité (après rotation)

Contribution F1	Contribution F2
Risque général	.711	.140
Risque émotionnel	.601	.207
Risque social	.763	.021
Risque de la famille	.644	.308
Risque financier	.502	.453
Risque de carrière	.715	.215
Risque général	.416	.577
Valeur propre	2.703	1.069
% de la variance expliquée	45.056	17.822

I.2.6 Norme Sociale perçue

Le test de Cronbach indique que l’échelle est très cohérente. Le score de l’ alpha est très satisfaisant (0,798) et tous les items sont corrélés à plus de 70% au score global de l’échelle. L’échelle du tableau ci-dessous a pour objectif de recueillir des informations concernant l’opinion de l’entourage en cas de création d’entreprise.

Il s’agit de s’enquérir de la véracité de leur existence. Le test de dimensionnalité exécuté sur l’échantillon de référence indique que les items mesurant la norme sociale perçue sont rattachés à un seul facteur.

Ils contribuent tous pour une valeur supérieure à 0,63 pour sa formation. De plus, les items restituent 49.942% de la variance de l’information. L’échelle ainsi constituée est unidimensionnelle. Tableau 33. ACP Norme sociale perçue (après rotation)

Contribution F1
Famille	.713
Ami	.778
Proche	.748
Conjoint	.668
Corps professoral	.630
Collègues	.692
Valeur propre	2.997
% de la variance expliquée	49.942

I.2.7 Singularité perçue de la femme

Sur les 15 items retenus pour le test de cette échelle, sept items ont été retiré en raison de leurs faibles communautés.

Pour les items restants, les caractéristiques de cohérence interne montrent un bon score d’alpha (0,657) ; l’échelle est donc fiable.

L’échelle représentant la variable que nous souhaitons tester étant homogène, nous procédons à l’ACP. Cette dernière a permis de mettre au jour une structure qui fait sens.

L’examen de la matrice de rotation indique trois composantes bien distinctes. La première, qui regroupe les items lies a la situation de la femme libanaise « désavantages par rapport a l’homme en tant qu’acteur sociale et en tant que propriétaires « , le deuxième met en jeu une la discrimination sexuelle (existe une discrimination sexuelle qui influence vos comportements en tant que femme) et le troisième comprend deux items plutôt psychologiques (identité féminine) « difficile de devenir entrepreneure et la femme s’intéresse a sa féminité ».

Tableau 34. ACP Singularité perçue (après rotation).

Contribution F1	Contribution F2	Contribution F3
Au Liban, les femmes sont désavantagées par rapport aux hommes en tant qu’acteur social	.867	.074	.111
Au Liban, les femmes sont désavantagées par rapport aux hommes en tant que propriétaires d’entreprise	.854	.128	.104
En tant que mère, il est difficile à la femme de devenir entrepreneure	.180	-.063	.721
La femme libanaise s’intéresse à sa féminité en premier lieu	-.012	.134	.782
L’archétype de la femme libanaise est à l’opposé de celui d’une entrepreneuse	-.167	.660	.372
L’attachement familial est important pour vous	.316	.149	.331
Vous pensez que vous vivez dans une société masculine	.443	.572	-.047
Au Liban, il existe une discrimination sexuelle qui influence vos comportements en tant que femme	.225	.771	-.024
Valeur propre	2.429	1.255	1.031
% de la variance expliquée	30.362	15.684	12.892

I.2.8 Influence de l’entourage

L’influence de l’entourage s’exprime à travers 6 items. L’analyse de la cohérence interne permet de distinguer un coefficient de 0,715. Dans ce sens tous les items ont été repris pour l’analyse de la viabilité de l’échelle.

La plupart des items ont des contributions factorielles supérieures à 0.3 sur les deux axes factorielles. L’ACP, procurée dans un premier temps a nécessité une rotation des axes. L’ACP indique que la variable « influence de l’entourage  » ainsi constituée est bidimensionnelle.

Le premier axe trace l’entourage proche (famille, ami, proche, conjoint). Le deuxième se ramène plutôt à l’entourage professionnel (plus loin) (corps professoral, collègues). Les items restituent 60.183% de la variance de l’information.

Tableau 35. ACP Influence de l’entourage.

Contribution F1	Contribution F2
Famille	.798	-.007
Ami	.681	.367
Proche	.591	.276
Conjoint	.653	.053
Corps professoral	.132	.842
Collègues	.143	.880
Famille	.798	-.007
Valeur propre	2.429	1.118
% de la variance expliquée	41.557	18.626

I.2.9 Contrôle perçu

Nous avons conçu une échelle multiple à 3 items pour mesurer cette variable Procédons aux tests de fiabilité pour pouvoir se prononcer sur leur homogénéité. La valeur de l’alpha est très satisfaisante de 0,710. Nous continuons l’analyse.

Pour tester sa dimensionnalité, nous avons effectué une analyse factorielle reprise dans le tableau ci-dessous. La procédure de résolution permet d’identifier les axes factoriels, de calculer la variance qui leur est associée et les contributions factorielles de chaque item.

Les 3 items du questionnaire se rapportent de manière significative à la même composante. Ils ont tous un coefficient de contribution factorielle (matrice des composantes) supérieur à 0,75.

L’ACP indique que la variable « Contrôle perçue  » ainsi constituée est unidimensionnelle. De plus, 63.966 de l’information recueillie est représentée par le seul facteur contenant ces items

Tableau 36. ACP Contrôle perçu

Contribution F1
Vous avez confiance en vos décisions	.764
Comme créateur d’entreprise, vous auriez un contrôle de lasituation	.876
Vous maitrisez le processus de création d’une tentative de création	.753
Valeur propre	1.919
% de la variance expliquée	63.966

I.2.10 Accessibilité aux ressources

Pour confirmer l’homogénéité de chacune de ces dimensions, nous avons exécuté le test de l’alpha. Le résultat indique un bon score de l’alpha (0,752).

L’examen de l’ACP initiale au sein de l’échantillon révèle en effet deux axes factoriels (tableau ci-dessous). Cependant, la matrice des composantes n’est pas claire ; en effet tous items ont des contributions factorielles supérieures à 0,30 sur les deux dimensions.

Pour pouvoir interpréter plus clairement ces facteurs, une rotation Varimax s’impose. Cette rotation fait nettement ressortir les liens entre les facteurs et leurs composantes car les contributions factorielles ont des valeurs plus élevées.

Tous les items contribuent fortement (contribution supérieure à 0,66) et essentiellement (aucune contribution supérieure ou égale à 0,30 sur un autre facteur) à la dimension qu’ils composent. De plus, les deux axes restituent chacun plus d’un tiers de l’information collectée et le total de leur variance est égal à 61,285%.

La première dimension regroupe les perceptions de disponibilité des ressources financières. La seconde est composée des perceptions des ressources en informations et accompagnement.

Tableau 37. ACP Accessibilité aux ressources (après rotation)

Contribution F1	Contribution F2
Pouvoir réunir les moyens financiers nécessaires	-.090	.775
Avoir le network nécessaire pour vous soutenir	0.301	.666
Obtenir un financement bancaire	.174	.711
Réunir des fonds de proximité (amis, famille)	.155	.665
Trouver les informations dont j’aurais besoin pour mieuxformaliser mon idée ou mon projet	.856	.101
Savoir vous entourer des personnes compétentes pour vousaccompagner/ former une équipe	.843	.118
Trouver les ressources technologiques et informatiquesnécessaire	.803	.183
Valeur propre	2.840	1.450
% de la variance expliquée	40.567	20.718

I.2.11 Conditions environnementales

La variable « conditions environnementales » a été opérationnalisée par 10 items. L’analyse de validité a dégagé une valeur d’alpha moins du seuil d’acceptabilité. Les deux items qui nuisaient à la corrélation ont été éliminés. Pour les items restants, la valeur d’alpha est 0,792. Cette valeur est très satisfaisante.

Sur les 4 items restant, l’ACP ainsi réalisé met en évidence une structure à deux facteurs .le premier lié aux facteurs environnementaux (le contexte économique au Liban, le contexte politique au Liban, les opportunités disponibles), le deuxième lié au facteur institutionnelle (Règlements souples, Absence du respect des normes et lois par les institutions). Les items restituent 55,33% de la variance de l’information. L’échelle ainsi constituée est bidimensionnelle.

Tableau 38. ACP Conditions environnementales (après rotation)

Contribution F1	Contribution F2
Contexte économique au Liban	.875	.110
Contexte politique au Liban	.811	.187
Manque de soutien aux entrepreneurs	.539	.461
Les démarches administratives	.458	.392
Les opportunités disponibles	.660	.105
Règlements souples (tricherie et corruption)	.075	.794
Absence du respect des normes etlois par lesinstitutions	.123	.840
Absence d’incubateur (permettant de vousaccompagner dans votre projet) au sein de votre établissement universitaire	.317	.431
Valeur propre	3.292	1.135
% de la variance expliquée	41.151	14.183

I.2.12 Compétences techniques perçues

Les compétences techniques perçues s’exprime à travers 8 items. La première analyse de la cohérence interne permet de distinguer un coefficient de 0,812.

Dans ce sens, tous les items ont été repris pour l’analyse de viabilité de l’échelle. L’ACP procuré, dans un premier temps a nécessité une rotation des axes. Nous avons alors obtenu les résultats présents dans le tableau suivant.

Comme on peut le constater, nous avons retenu les deux premiers axes qui expliquent simultanément prés de 58,268. Ainsi, le premier axe trace les compétences nécessaires pour la création. Le deuxième se ramène plutôt aux compétences nécessaires pour contrôler la création.

Tableau 39. ACP Compétences techniques perçues

Contribution F1	Contribution F2
Connaître les étapes du processus de création d’une entreprise	.122	.774
Rédiger un business plan	.270	.775
Estimer les risques du projet	.141	.729
Trouver des personnes compétentes pour travailler avec vous	.691	.059
Disposer, en matière de gestion et de management, descompétences nécessaires à la création de l’entreprise	.805	.203
Disposer, dans le domaine administratif, des compétencesnécessaires à la création d’une entreprise	.797	.174
Disposer en matière commerciale, des compétencesnécessaires à la création d’une entreprise	.702	.289
Contrôler la situation	.489	.415
Valeur propre	3.516	1.146
% de la variance expliquée	43.946	14.321

Cette première analyse, basée sur les critères d’homogénéité en s’appuyant sur les méthodes de dimensionnalité et de cohérence interne, a permis l’épuration des données et la structuration des variables.

Ainsi, nous avons condensé les variables initialement adoptées en nombre réduit de variables composites pour pouvoir procéder, ensuite, aux tests de validation des hypothèses.

Dans le tableau, nous synthétisons les résultats de l’ensemble des analyses factorielles menées sur les différentes variables.

Tableau 40. Récapitulatif des variables et composantes retenues suite à l’analyse factorielle.

Variables	Thématiques retenues
Désirabilité	Unidimensionnelle
Faisabilité	Unidimensionnelle
Attitude	Unidimensionnelle
Motivation	Bidimensionnelle
Proactivité	Tridimensionnelle
Norme sociale perçue	Unidimensionnelle
Singularité perçue	Bidimensionnelle
Influence de l’entourage	Bidimensionnelle
Contrôle perçu	Unidimensionnelle
Accessibilité aux ressources	Bidimensionnelle
Compétence technique perçue	Bidimensionnelle

Conditions environnementales Bidimensionnelle

Figure 65. Procédure suivie pour la présentation des résultats de la recherche

II- Les tests paramétriques et régressions linéaires

L’analyse effectuée dans cette recherche se base sur deux volets. Dans le premier, il s’agit de vérifier le changement des variables déterminantes du modèle de recherche selon les deux filières choisies (Gestion et Sciences).

Des tests paramétriques seront donc appliqués (comparaison de moyennes entre deux échantillons appariés, 2 moyennes, T student). Les résultats de comparaison détermineront la nécessité de faire la régression linéaire pour les deux échantillons (référence et témoin) divisés ou regroupés en un seul échantillon.

Dans un second temps, nous examinerons la nature des relations qui caractérisent les variables retenues. Le but est d’étudier la qualité des relations de cause à effet entre des variables expliquées et des variables explicatives formulées dans les hypothèses de recherche.

En ce sens, c’est la méthode de la régression linéaire qui sera retenue. L’examen de la validité des relations se base donc sur l’appréciation de la signification pratique grâce à la valeur de R² qui correspond à la part de la variance de la variable expliquée par les variables explicatives.

II.1 Les tests paramétriques

Dans ce paragraphe, nous nous focaliserons sur la vérification des hypothèses concernant le changement des variables selon la filière d’étude. Dans cette phase de l’analyse, il s’agit de vérifier l’hypothèse suivante auprès des étudiantes:

• H5: L’intention change selon la filière

A ce niveau nous avons choisi d’adopter une analyse de la variance paramétrique pour un facteur. La nature ordinale des variables concernées nous a guidés vers la mise en œuvre des tests paramétriques ; c’est le test de comparaison de moyennes entre deux échantillons appariés (2 moyennes, T de Student) qui a plus précisément retenu notre attention, vu qu’il est parfaitement adaptés au cas d’une variable explicative à deux modalités.

En effet, ce type d’analyse permet de juger de l’effet d’une variable qualitative à deux ou plusieurs modalités sur une variable quantitative.

Sans chercher à exposer de façon exhaustive la démarche sous-jacente à ce test, contentons- nous de rappeler quelques éléments aidant à une meilleure lecture et compréhension des résultats présentés ci-dessus.

La question est alors de savoir si les différences observées dans les sous-échantillons supportent avec un risque d’erreur suffisamment faible (risque de première espèce alpha) l’hypothèse d’homogénéité des sous-populations correspondantes (H0), ou si, à l’inverse, elles la contredisent (H1).

L’hypothèse de normalité sous jacente des données est le plus souvent utilisée, la moyenne et la variance suffisent pour caractériser complètement la distribution. Concernant les tests d’homogénéité par exemple, pour éprouver l’égalité des distributions, il suffira de comparer les moyennes et/ou les variances.

Afin de tester H5, concernant la variabilité de l’intention selon les deux filières étudiées, nous avons opérationnalisé le test de Student118.

En effet, le résultat du test est significatif (sig119= 0.000), c’est-à-dire la moyenne de l’intention pour chaque échantillon diffèrent selon la filière. Donc, les deux échantillons proviennent de deux populations différentes selon le critère « filière d’étude ».

Les tests paramétriques120 ont indiqué que l’intention change selon la filière d’étude. Ce résultat confirme celui de Sexton et Bowmen (1986) qui ont signalés des différences entre les étudiantes en entrepreneuriat et les étudiantes en d’autres domaines d’études.

118 Pour que nous puissions appliquer le test de la moyenne, il faut que les deux variances soient égales. Dans notre cas, le test de Fisher est significative (sig = 0.807), donc les deux variances sont égales (cf. annexe IV )

119 Dans la suite de ce chapitre, « sig. » désigne la significativité de la relation

120 Les tests paramétriques ont indiqué une non différence pour l’hypothèse de comparaison de la variable « université » (cf. annexe IV). Ainsi, la nécessité était de comparer l’intention selon la filière d’étude et non pas selon l’université d’appartenance.

Compte de ce constat, la phase suivante présentera l’analyse de l’intention selon les résultats de la régression linéaire pour l’échantillon de référence et l’échantillon témoin.

La comparaison de la régression linéaire de la variable « intention » des deux échantillons soulignera les spécificités de l’intention de chaque échantillon. De même, la régression linéaire permettra de valider notre modèle de recherche.

II.2 Les régressions linéaires

Dans ce paragraphe nous nous focaliserons sur l’étude des relations entre les variables de notre modèle de recherche. Il s’agit, plus précisément, de vérifier les hypothèses mobilisés au chapitre 4. Nous rappellerons ci-dessous les hypothèses principales:

• H1 : plus la désirabilité perçue et la faisabilité perçue sont favorables, plus importante sera l’intention entrepreneuriale.
• H2 : plus l’attitude et la norme sociale perçues envers l’entrepreneuriat sont positives, plus la désirabilité perçue sera forte
• H3 : plus le contrôle perçu envers l’entrepreneuriat est positif, plus la faisabilité perçue est fort
• H4 : la sensibilisation et la formation à l’entrepreneuriat influencent la désirabilité et la faisabilité entrepreneuriale

Les tests de vérification des hypothèses font appel à des méthodes explicatives, dont la régression linéaire. En se basant sur l’ajustement linéaire, cette méthode permet de vérifier des relations de cause (variable explicative) à effet (variable expliquée) entre deux variables métriques dont nous avons proposé un sens dans les hypothèses de recherche (Evrard et al., 2000).

L’une des conditions d’application de la régression linéaire se rapporte au nombre d’observations requises. La taille de notre échantillon de référence et témoin est conforme à cette condition.

L’interprétation du test de régression linéaire se fait à trois niveaux : l’intensité de la relation entre les deux variables qui est calculée grâce au coefficient de corrélation R, la significativité de la liaison et la qualité de l’ajustement du modèle qui s’apprécie à travers le coefficient R², ainsi que le test F de Fisher, et enfin, l’examen des résidus pour traduire la précision du modèle.

Il convient de préciser que le coefficient de détermination linéaire R² est le principal indicateur de la qualité de la régression. En d’autres termes, il synthétise la capacité de la droite de régression à représenter l’ensemble du nuage de points des valeurs observées.

Cette appréciation doit être la plus élevée possible. Toutefois, l’interprétation de R² doit prendre en considération aussi le nombre de variables explicatives et d’observations assimilées par le modèle. A cet effet, le R² ajusté permet d’avoir une appréciation plus réaliste des résultats du modèle (Evrard et al., 2000).