Une déconstruction des outils de mesure en marketing

Jean-Philippe Galan

CRM-Marketing (EAC-CNRS 5032)

IAE - Université de Toulouse 1 Capitole

jean-philippe.galan@iae-toulouse.fr

“Ertes Geschoss:

Hier leben die Blinden die glauben was sie sehen

und die Tauben die glauben was sie hören”

Einstürzende Neubauten - Haus Der Lüge

© 1989, Thirsty Ear Records

1

Une déconstruction des outils de mesure en marketing

Résumé :

Cette communication propose une réflexion sur les mesures quantitatives en marketing dans

un contexte de remise en question du paradigme positiviste dominant la littérature des

cinquante dernières années. En proposant une déconstruction, il s’agit de montrer que les

mesures créées dans le cadre du paradigme de Churchill sont fortement contingentes et

dépendent d’éléments historiques, sociologiques et culturels. Ce faisant, cette déconstruction

suggère que les outils de mesure peuvent s’abstraire d’un positionnement épistémologique

particulier et peuvent se concevoir selon une perspective réaliste tout autant que

constructiviste. Cette ouverture vient donc poser la question de la place des méthodes

quantitatives à l’aune d’un nouveau paradigme plus interprétatif.

Mots-clés : épistémologie, méthodologie, réalisme, constructivisme, échelles de mesure

A deconstruction of marketing measurement tools

Abstract:

This paper proposes a thought on multi-item measures in marketing, in a context of suspicion

about positivism that dominated marketing literature for five decade. In intending a

deconstruction, it is shown that the measures created according to Churchill's paradigm are

highly contingent and depend on historical, sociological and cultural context. In doing so, this

deconstruction suggests that the measurement tools are not necessarily tied with a specific

epistemological position and can be conceived in a realistic perspective as well as in a

constructivist one. This entails the question of the use of quantitative methods in an emergent

interpretive paradigm.

Key-words: epistemology, methodology, realism, constructivism, measurement scales

2

Une déconstruction des outils de mesure en marketing

Introduction

La littérature en marketing de ces cinquante dernières années, est marquée par un recours

récurrent à la modélisation statistique du comportement du consommateur. Alors que dans un

premier temps, les mesures utilisées pour cette modélisation ne faisaient que rarement l’objet

d’une évaluation de leurs qualités psychométriques (Jacoby, 1978), Churchill (1979) a

importé de la littérature en psychologie un certain nombre de notions afin de proposer une

procédure de construction d’outils de mesure fondée sur l’évaluation de la fiabilité et de la

validité de ceux-ci. Cette procédure, connue sous le nom de « paradigme de Churchill » a fait

l’objet d’un fort engouement dans la communauté marketing. Qu’on le nomme positivisme ou

empirisme logique (e.g. Peter et Olson, 1983), le positionnement de cette approche est

réaliste : il existe un concept dans « l'esprit du consommateur » (Ehrenberg, 1968 : 57), réalité

qui peut être atteinte par la mesure et la combinaison d'attributs reflétant ce concept.

Portée par le courant postmoderne, une partie de la littérature en comportement du

consommateur tend à remettre en cause l’analyse positiviste et Sherry (1991) décrit le

mouvement, amorcé par les recherches en comportement du consommateur, comme un

« tournant interprétatif ». Alors que ce tournant doit être synonyme de renouveau et de

revitalisation des recherches et de la discipline, il convient de veiller à ce qu’il ne soit pas

synonyme de choix (exclusif) et de sclérose méthodologiques. En effet, ainsi que le souligne

Deshpandé (1983), en distinguant les écoles de pensée il y a une tendance à les catégoriser de

telle façon qu’elles semblent indépendantes et mutuellement exclusives. Le choix d’une

posture épistémologique entraîne souvent, par filiation des choix méthodologiques particuliers

3

qui, au final, débouchent sur une rivalité entre les approches qualitative et quantitative qui

stigmatise les oppositions entre positivisme et interprétativisme.

Il semble donc nécessaire d’entamer une réflexion sur la place de l’approche quantitative dans

la recherche en comportement du consommateur à l’heure où nous assistons probablement à

l’émergence d’un nouveau paradigme (Arnould, 2006), porté par les courants de la consumer

culture theory (CCT ; Arnould et Thompson, 2005) et de la service-dominant logic (SDL ;

Vargo et Lush, 2004). L’approche quantitative a été pendant de longues années l’apanage

d’une logique hypothético-déductive liée à la posture positiviste moderne. Ainsi elle a

endossé de porter le projet moderne et avec lui l’objectivité, la réification, la causalité, la

généralisation, etc. Cependant, elle n’en est pas moins une méthode qui n’échappe pas à des

contingences historiques, sociales, culturelles.

L’objectif de cette communication est de présenter ces contingences, en quoi elles affectent la

construction des outils et exposer en quoi l’utilisation de ces outils de mesure peut se libérer

d’un positionnement épistémologique particulier. Il ne s’agit pas ici de présenter ni

d’alimenter les débats entre approches scientifiques moderne (i.e. positiviste) et postmoderne

mais plutôt de proposer une déconstruction – au sens d’Heidegger – c'est-à-dire non une

démolition mais plutôt de resituer la méthode de construction des outils de mesure dans son

contexte historique et philosophique pour en montrer le fonctionnement et mettre en lumière

ses significations socio-historiques (Thompson, 1993). Ainsi, après avoir situé le paradigme

de Churchill dans son contexte historique, seront présentés les mécanismes qui, dans la

construction des outils de mesure, sont affectés par des facteurs subjectifs, sociaux,

historiques, culturels et qui au final, permettent une ouverture épistémologique vers un

4

positionnement réaliste ou constructiviste qui dépend de la représentation que se fait le

chercheur de la réalité et non de l’outil qu’il utilise.

1. L’ère moderne de la recherche en marketing

Si l’on situe généralement le début de l’ère moderne à l’époque des Lumières qui ont porté le

projet d’ « éclairer » l’individu par la science, concernant la recherche en marketing, les

lumières de la science objective furent allumées par deux fondations – Ford et Carnegie – ceci

au milieu du vingtième siècle, afin de libérer la littérature marketing de la subjectivité des

chercheurs et praticiens, et passer de l’art à la science du marketing (Converse, 1945). Ainsi

que le rapporte Cochoy (1999), ces deux fondations avaient pour objectif de financer une

réforme de l’enseignement et de la recherche en gestion en remplaçant notamment les

compétences et savoir-faire individuels par une connaissance scientifique et objective. Ceci

s’est fait par le recrutement de spécialistes des techniques quantitatives et des sciences

sociales ainsi que par la publication d’ouvrages clairement orientés (e.g. Bass et alii, 1961 ;

Frank, Kuehn et Massy ; 1962).

Cette époque est marquée par une fascination quant à l’approche scientifique qui profite de

préjugés très favorables du fait des progrès très médiatisés qu’elle a permis dans d’autres

disciplines. Le marketing récupère alors des théories, méthodes et outils provenant de ces

disciplines. Tout d’abord bien entendu, il s’appuie sur une logique hypothético-déductive,

caractéristique de la science moderne. Ensuite, la « révolution quantique » (Bitbol, 1997)

propose de prendre pour réels des objets inobservables, qui trouvèrent leurs places dans les

travaux des psychologues sur les analyses factorielles (Spearman, 1904) pour aboutir aux

modèles de variables latentes (Lazarsfeld, 1950) et à l’analyse factorielle confirmatoire

5

(Joreskog, 1971). Enfin, les progrès en informatique, aboutirent au développement de

logiciels spécifiques (SPSS : Nie, Bent et Hull, 1970 ; et LISREL : Joreskog et van Thillo,

1972) permettant à ces techniques de modélisation de se démocratiser dans la communauté

scientifique.

C’est sur la base de cette réforme qu’est né le « paradigme » de Churchill, destiné à fournir

aux chercheurs en marketing, une base scientifique pour construire des mesures fiables et

valides, dans l’objectif de modélisation du comportement du consommateur. Quoiqu’il fut

parfois amendé (e.g. Gerbing et Anderson, 1988), ce paradigme est demeuré le cadre

principal. Naturellement, l’acceptation par la communauté de ce cadre de référence comme

outil unique pour conduire des recherches, et ainsi délimiter ce qui est du domaine de la

science de ce qui ne l’est pas marque le début d’une nouvelle ère. En effet, dès le début des

années 1980 (e.g. Anderson, 1981 ; Deshpandé, 1983 ; Peter, 1982 ; Olson, 1981) de

nombreux auteurs remettent en cause l’approche positiviste et la possibilité d’une réalité

unique que des observateurs indépendants pourraient mesurer par des méthodes objectives,

permettant la formulation de lois universelles. Sherry (1991) appellera ce moment le

« tournant » interprétatif pour regrouper les « alternatives postmodernes » au paradigme

dominant. L’approche postmoderne, conteste la possibilité d’une vérité liée à une réalité

objective que la démarche scientifique tend à faire émerger en confrontant des théories aux

données. Au contraire, dans cette perspective, il existe plusieurs réalités qui sont des

constructions dont la compréhension par le chercheur dépend de son environnement socio-

culturel, de l’interprétation subjective qu’il fait du phénomène étudié (Sherry, 1991), et

d’éléments sociaux à l’intérieur de la communauté des chercheurs.

6

Dans l’approche quantitative, la modélisation du comportement du consommateur se

caractérise par la collecte de données afin de mesurer des concepts abstraits et non

observables directement. Ainsi, ce ne sont pas les concepts qui sont mesurés, mais leurs

attributs. Avant de tenter de relier les concepts entre eux afin de confronter une théorie au

terrain, le chercheur positiviste doit vérifier que les attributs qu’il a choisis sont un « bon »

reflet du concept étudié. Churchill (1979) propose ainsi, dans le but de fournir des mesures

fiables et valides une procédure assez claire : le chercheur après avoir « spécifié le domaine

du construit »1 (p. 67), doit « générer » une liste d’items, qui sont les questions posées aux

consommateurs étudiés. L’outil doit ensuite être « purifié » (p. 68), c'est-à-dire nettoyé des

questions superflues, mal comprises, ou ne mesurant pas le concept étudié. Il est ensuite

reformulé et sa fiabilité (p.69) est de nouveau évaluée ainsi que sa validité (p.70), ceci de

manière répétée jusqu’à ce que l’outil satisfasse les critères imposés par le chercheur. Ce

processus entraîne donc que le chercheur fait des choix qui sont à l’origine de la définition

opérationnelle du concept qui sera utilisé dans son modèle : le construit. Trois moments

paraissent particulièrement critiques et sont abordés dans la section suivante : purification du

construit sur la base de l’alpha de Cronbach, détermination du modèle de causalité entre le

construit et ses attributs, évaluation de la dimensionnalité de l’outil et du modèle de mesure.

2. Subjectivité, contextualité et interprétation dans le paradigme de Churchill

2.1 Fiabilité et alpha de Cronbach

La purification des outils de mesure se fait sur la base de leur fiabilité entendue comme le

degré auquel la mesure est exempte d’erreur et ainsi permet des résultats cohérents lors de

1 Ceci implique déjà bien des choix de lecture (y compris d’accès à la littérature) et d’organisation de la

littérature choisie qui débouchent sur une vision très subjective du concept étudié, ou parfois sur une absence de

définition claire (MacKenzie, 2003).

7

mesures répétées (Peter, 1979). Dans les faits, cela correspond donc à enlever ou à ajouter des

items sur la base de cette fiabilité et ainsi modifier la définition opérationnelle du concept.

Théoriquement, le processus doit tendre vers une adéquation entre le concept et le construit

statistique. Cependant, Churchill lui-même note qu’avec le temps, la procédure est devenue

une routine manquant de réflexion (Churchill, 1998), un mécanisme séparant la

conceptualisation de la construction des objets statistiques. Pour Finn et Kayandé (2005), au

fil du temps, les chercheurs se sont focalisés sur la manière d’obtenir les chiffres appropriés à

la fiabilité et la validité statistiques des outils, ceci au dépend de la conceptualisation des

construits. Dans cette perspective, les itérations de « purification » au lieu d’ajuster le

construit au concept, entraînent un écart entre la conceptualisation et l’opérationnalisation du

construit qui se trouve davantage défini par le terrain que par la théorie. En outre, le choix

d’un niveau de fiabilité, tout comme la compréhension des indices de fiabilité sont des

éléments subjectifs et/ou contingents qui laissent une grande marge d’interprétation.

L’outil le plus utilisé pour mesurer la fiabilité d’un instrument est le coefficient alpha de

Cronbach (1951). Plus ce coefficient alpha est élevé (il va de 0 à 1), et plus l’outil de mesure

est fiable au sens statistique. Quand il est proche de 0, les items n’ont rien à voir entre eux.

Mais quand il est égal à 1, cela signifie que les réponses aux différentes questions (items) sont

identiques. Il est dès lors difficile d’avancer que 1 soit une « bonne » valeur car cela signifie

que l’apport marginal de chaque question dans la définition du construit est nul.

Contrairement à de nombreuses statistiques qui suivent une loi (normale, student, khi², etc…)

et pour lesquelles il est possible d’établir une valeur de référence, l’alpha de Cronbach n’en

suit aucune. En outre, dans son article fondateur, Cronbach (1951) ne propose aucune grille

d’interprétation pour son coefficient. Or, quand Churchill (1979) et Peter (1979) font de cet

indice, l’instrument privilégié de la construction d’outils de mesure en marketing, les

8

chercheurs du domaine, qui ne sont pas encore tous familiers de l’outil statistique ont besoin

de repères. Les deux auteurs le savent, et associent à cet indice le nom de Jum Clarence

Nunnally, un des plus célèbres psychométriciens du vingtième siècle. Churchill (1979 : 68) et

Peter (1979 : 15) citent le même extrait de l’ouvrage de Nunnally (1967 : 226), qui indique

que pour les premières étapes de la recherche, un coefficient alpha de 0,5 à 0,6 est suffisant et

qu’aller au-delà de 0,8 est inutile. En revanche, pour les applications, lorsque « d’importantes

décisions » sont liées à ce test, un score de 0,9 est un minimum et 0,95 doit être considéré

comme un standard à obtenir. Au moment de la publication de l’article de Churchill (1979),

Nunnally est pourtant déjà revenu sur ces chiffres. En effet, dans l’édition de 1978 (p. 245), ce

n’est plus un coefficient de 0,5 à 0,6 qui est nécessaire pour les premières étapes, mais une

valeur de 0,7. Le reste est inchangé. Décédé en 1982, ces standards ne seront plus modifiés

(Nunnally et Bernstein, 1994 : 265). Quelle que soit l’édition, Nunnally n’a jamais fourni une

base empirique ou théorique pour justifier les niveaux attendus du coefficient alpha. Ils sont le

fruit du bon sens de l’auteur et de son expérience. Ainsi, seul le renom de Nunnally et

l’impact de l’article de Churchill (1979) en marketing, feront de ces chiffres une loi..

Pourtant, fixer un seuil a priori à l’alpha n’est pas du tout objectif dans la mesure où le niveau

de l’alpha dépend de la corrélation moyenne entre les items, mais également de leur nombre.

A partir de la formule simplifiée de l’alpha standardisé, utilisé par la plupart des logiciels

d’analyse de données2, il est aisé de montrer la difficulté de se fixer une règle de décision

pour la définition opérationnelle d’un concept en se basant sur un seuil du coefficient alpha.

Par exemple, un niveau de 0,75 peut être atteint avec une corrélation moyenne inter-items de

0,3 si l’outil est composé de 7 items ((7*0,3)/[1+(7-1)*0,3] = 0,75), ou de 0,5 pour un outil

2

rk

rk

×−+

×=

)1(1éstandardisα où k est le nombre d’items composant l’instrument et r est le coefficient de

corrélation moyen entre les items

9

composé de 3 items ((3*0,5)/[1+(3-1)*0,5] = 0,75). Pour un même niveau de coefficient

alpha, la cohérence entre les items est donc tout à fait différente et se trouve compensée par le

nombre d’items. En d’autres termes, plus grand est le nombre d’items et plus élevée est la

valeur du coefficient alpha, quelle que soit la corrélation moyenne entre les items (figure 1).

Ceci est lourd de conséquences car, pour un outil ayant une faible cohérence inter-items, le

seul moyen d’avoir un niveau élevé du coefficient alpha est de conserver un grand nombre

d’items. Ceci peut amener le chercheur à conserver des items qui n’entrent pas dans la

définition du construit, et éloigner l’opérationnalisation du construit de sa conceptualisation.

Figure 1 – Relations entre le coefficient alpha, le nombre d’items, la correlation inter-items

Dans une perspective réaliste, ceci est problématique et entraîne une discordance qui traduit

une inadéquation de l’outil par rapport à la réalité qui existe indépendamment de sa mesure.

Dans une perspective constructiviste, ceci est inhérent à la démarche car le concept découle

du construit. La démarche est dans ce cas « abductive » : il y a une idée de départ, puis une

construction de la mesure, et finalement un ajustement de la théorie et donc du concept (en

fonction des données) qui n’a aucune existence indépendante. Le croisement des perspectives

réaliste et constructiviste de la mesure se situe ainsi à un niveau ontologique : le concept

existe et la mesure est son reflet, le concept n’a aucune existence indépendante et il découle

de la mesure. Cette direction de la relation (concept � construit versus construit � concept)

se retrouve plus fondamentalement dans la relation des construits et de leurs attributs.

10

2.2 Relations construit – attributs

Le paradigme de Churchill (1979) et la théorie de la mesure sous-jacente à la modélisation du

comportement du consommateur sont fondées sur l'idée qu'il existe un concept dans « l'esprit

du consommateur » (Ehrenberg, 1968 : 57), une réalité qui peut être atteinte par la mesure et

la combinaison d'attributs reflétant ce concept. La combinaison de ces attributs est alors

associée à une variable latente qui est une variable non observable mais dont l'existence est

inférée à partir des propriétés de ses attributs (observables). Cette variable latente est donc, en

théorie, l'équivalent statistique du concept présent dans l'esprit du consommateur. Dans cette

perspective réaliste, le construit statistique est relié à ses attributs dans une relation de

causalité allant du construit vers les attributs, on dit que les attributs reflètent la variable

latente, et l’on parle d’attributs réflectifs. Or, parfois, il arrive que le choix des attributs par le

chercheur implique que le construit mesuré ne soit pas à l'origine des attributs observés mais

au contraire, en être une conséquence. On dit alors que les attributs forment le concept et l’on

parle d’attributs formatifs. De nombreux auteurs (e.g. Bollen et Lennox, 1991 ; Chin, 1998 ;

Crié, 2005 ; Edwards et Bagozzi, 2000 ; Jarvis, Podsakoff et MacKenzie, 2003) ont souligné

le fait que dans le cas d’attributs formatifs, les décisions de « purification » fondées sur la

fiabilité ne peuvent pas s’appliquer, et conduisent même à la détérioration de l’outil.

La théorie de la mesure sous-jacente au paradigme de Churchill est fondée sur l’idée que les

attributs reflètent le construit. Etant donné qu’ils sont le reflet du construit, leurs variations

doivent refléter les variations du construit. Ainsi, il est attendu qu’ils varient « ensemble », à

un degré évalué sur la base du coefficient alpha. La purification consiste donc, la plupart du

temps, à éliminer les attributs qui ne varient pas comme les autres, ceci afin d’atteindre une

valeur élevée du coefficient alpha. Au contraire, les attributs formatifs, ne sont pas supposés

11

varier ensemble. Bollen et Lennox (1991) et à leur suite d’autres auteurs (Chin, 1998 ;

Edwards et Bagozzi, 2000 ; Crié, 2005) donnent l’exemple du statut socio-économique. Si les

attributs choisis pour mesurer ce statut sont l’éducation, le revenu, le prestige de l’activité

professionnelle, il apparaît que ces attributs sont des causes et non des conséquences du statut.

De ce fait, leur corrélation n’est plus une condition de leur présence dans le construit mesuré.

En effet, si le revenu augmente, le statut socio-économique peut augmenter sans que le niveau

d’éducation soit changé. Ainsi, éliminer une des mesures diminue la validité du construit car

cela masque une facette particulière de celui-ci et restreint ainsi son « domaine » (Churchill,

1979). Du sens de ces relations (cf. figure 2) dépend ladécision de supprimer ou non un

attribut de la mesure, ce qui aura par la suite un impact sur la définition du construit. Dans le

cas du modèle réflectif, la suppression d’un des items, ne bouleverse pas fondamentalement la

définition du construit. En revanche, dans le cas du modèle formatif tel que le statut socio-

économique, ne pas conserver le revenu ou le niveau d’étude diminuerait fortement la qualité

de la mesure. Sur la base du coefficient alpha, c’est pourtant ce qu’il se passerait.

La pratique « normale » de l’analyse des variables latentes suppose donc que le chercheur est

conscient des relations qui lient le construit et les attributs. Est-ce le cas ? Si l’on en croit les

conclusions de Jarvis, MacKenzie et Podsakoff (2003), la réponse est non et dans la quasi-

totalité des cas, les chercheurs ne se posent pas la question du sens des relations entre attributs

et construit et appliquent la logique réflective quel que soit le sens de la relation3. Ceci pose la

question du moyen pour déterminer si un attribut est formatif ou réflectif. Ceci est sûrement

possible pour une certaine partie des mesures. A cet effet, Jarvis, MacKenzie et Podsakoff

(2003), Edwards et Bagozzi (2000) ainsi que Crié (2005) énoncent un ensemble de moyens

3 Leur méta analyse suggère que sur 1192 construits publiés dans les quatre meilleures revues en marketing

(Journal of Consumer Research, Journal of Marketing, Journal of Marketing Research, Marketing Science), sur,

29% des construits ont été modélisés de manière incorrecte. A cela il faut ajouter que les construits correctement

modélisés étaient à 96% dans la norme, c'est-à-dire réflectifs (donc probablement pas évalués sous l’angle de la

relation construit – attributs), et que 95% des construits incorrectement modélisés étaient formatifs.

12

pour permettre au chercheur d’arbitrer entre les deux modèles de mesure. Pourtant, il demeure

une part d’interprétation et de subjectivité dans cet arbitrage et certains construits font l’objet

de nombreux débats quant au sens des relations entre construit et attributs. C’est le cas par

exemple de la qualité de service. Pour Wilcox, Howell et Breivik (2008), le choix du modèle

reste problématique et aucun élément ne peut aider le chercheur de manière définitive, et

Rossiter (2002), propose de recourir à des experts pour déterminer la nature du construit.

Figure 2 – Relations construit – attributs dans les modèles réflectif et formatif

Pour Borsboom, Mellenbergh et van Heerden (2003), le choix du modèle (réflectif versus

formatif) dépend de l’ontologie des variables latentes qu’il invoque. Un point de vue réaliste

motive le modèle réflectif parce que les réponses aux items sont censées varier en fonction de

la variable latente. Au contraire le modèle formatif ne requiert pas une interprétation réaliste

et se trouve plus compatible avec une interprétation constructiviste. De ce fait, comme en

psychologie (Borsboom, Mellenbergh et van Heerden, 2003), le modèle standard en

marketing est réflectif et implique que la variable latente est plus fondamentale que les

réponses aux items. Ceci peut éclairer les résultats de Jarvis, MacKenzie et Podsakoff (2003) :

la plupart des chercheurs choisissent par défaut le modèle réflectif car il correspond à leur

positionnement épistémologique. Le chercheur peut concevoir que le modèle est formatif,

Attribut 1 Attribut 3

Erreur

1

Erreur

2

Erreur

3

Construit

Attribut 1 Attribut 2 Attribut 3

Construit Erreur

Modèle réflectif Modèle formatif

Attribut 2

13

mais ce dernier peut être abandonné au profit du modèle réflectif pour une question de posture

épistémologique. Ceci apparaît dans les travaux de Parasuraman, Zeithaml et Malhotra (2005)

pour qui « il pourrait être plus approprié de traiter les dimensions de premier ordre [ de l’outil

E-S-Qual ] comme des indicateurs formatifs du construit latent de second ordre » (p.220) mais

qui choisissent finalement de les traiter comme réflectifs. Cette double perspective (réaliste vs

constructiviste) fondée sur l’ontologie des variables latentes se retrouve à un niveau plus

général dans la définition du modèle de mesure dans son ensemble.

2.3 Dimensionnalité de l’outil et modèle de mesure

La procédure de création d’outils de mesure selon le paradigme de Churchill repose sur

l’unidimensionnalité des construits (Churchill, 1979 ; Gerbing et Anderson, 1988). Lorsque le

chercheur « purifie » son outil, il le fait sur le postulat que chaque item doit refléter des

variations du construit latent. Aussi, tout item ne reflétant pas ces variations est supposé non

pertinent. Ceci peut arriver lorsque l’item est mal rédigé ou mal compris des répondants mais

cela peut également se produire lorsque l’item mesure autre chose que le construit tel qu’il a

été conceptualisé par le chercheur. L’analyse factorielle exploratoire permet au chercheur

d’obtenir la structure des items a priori. Le chercheur peut avoir anticipé, sur la base de sa

conceptualisation, l’existence de plusieurs facettes de son construit, plusieurs dimensions.

Mais parfois, ces dimensions peuvent apparaître contre toute attente, du fait d’une faible

conceptualisation en amont (MacKenzie, 2003). Le chercheur se trouve donc avec plusieurs

construits là où il n’en attendait qu’un. Alors que la théorie de la mesure veut que les items

soient « générés » de manière à mesurer un construit dont le domaine a été « spécifié » en

amont, il s’agit ici de comprendre le lien commun entre les différents items, leur donner un

14

nom, et conceptualiser. La théorie émerge ici des données et non l’inverse. L’analyse

factorielle propose une structure que le chercheur doit interpréter afin de construire sa théorie.

Une fois que les dimensions ont été suggérées par l’analyse factorielle exploratoire, il

convient d’établit combien d’entre elles doivent être retenues pour la conceptualisation du

modèle. Cette décision repose, a priori, sur la littérature liée au concept étudié. Cependant,

dans la pratique, les données peuvent ne pas correspondre aux attentes du chercheur. Il existe

donc des indicateurs permettant de savoir quels sont les facteurs à conserver et ceux à

éliminer. Stewart (1981) appuie sur la marge d’interprétation qui est laissée au chercheur par

les tests disponibles. En effet, celui-ci a le choix entre un nombre minimum de facteurs sur la

base de leurs valeurs propres (critère de Kaiser qui consiste à retenir les facteurs dont la

valeur propre est supérieure à 1) et un nombre maximum de facteurs donné par le « scree

test » ou « test du coude » (Cattell, 1966). Le chercheur choisira donc le nombre de

dimensions à conserver selon la théorie qu’il aura construite et selon sa capacité à interpréter

les dimensions que lui proposera l’analyse factorielle. L’approche réaliste consiste à choisir

ainsi le nombre de dimensions qui se trouve être le plus en adéquation avec le cadre théorique

et surtout avec la réalité supposée du phénomène, l’approche constructiviste consiste à choisir

le nombre de dimensions qui permet l’adéquation statistique la plus élevée.

L’analyse factorielle confirmatoire, apparaît comme fondamentalement réaliste et sa

démarche hypothético-déductive. En effet, il s’agit de confronter un modèle de mesure

(construit sur la base d’une théorie) à des données empiriques. Si le modèle est

statistiquement ajusté aux données (cet ajustement est évalué par un ensemble d’indicateurs),

alors la théorie trouve un support empirique. Il est donc fait l’hypothèse qu’il existe un

« vrai » modèle, qui reproduit la réalité. Pourtant, la pratique de l’analyse confirmatoire

15

permet de se libérer à la fois de la démarche hypothético-déductive et d’un positionnement

réaliste. En effet, une approche plus inductive est possible : les logiciels d’équations

structurelles proposent des améliorations de l’ajustement général du modèle de mesure

(χ²).Concrètement, le logiciel propose de supprimer ou d’ajouter des liens entre les différents

paramètres du modèle, que ce soit entre les variables latentes, les attributs, les termes d’erreur

ou toute combinaison de ces éléments par paire. Ainsi, le chercheur peut se laisser guider

uniquement par les indicateurs statistiques plutôt que par l’adéquation à la théorie pour

construire son modèle de mesure et ainsi obtenir le modèle de mesure le plus adapté aux

données (spécifiques à une population). On comprend que cette pratique peut encore une fois

éloigner le construit du concept. Il apparaît donc encore une fois qu’il incombe au chercheur

d’être fidèle à sa posture épistémologique pour conduire sa recherche. Dans une perspective

réaliste les indicateurs ne doivent être utilisés que pour valider l’hypothèse que le modèle

testé est vrai, dans une perspective constructiviste, le chercheur procède par induction afin

d’obtenir la meilleure adéquation empirique possible. Cette fidélité du chercheur à son

paradigme est ici cruciale car dans certains cas, il n’y a aucun moyen statistique pour décider

d’un modèle de mesure plutôt qu’un autre. En effet, du point de vue de l’adéquation

statistique, certains modèles de mesure sont parfaitement identiques, c’est le cas de l’exemple

proposé par Hershberger (1994) et repris par Borsboom, Mellenbergh et van Heerden (2003)

que nous illustrerons dans la figure 3 par deux modèles testés à l’aide du logiciel LISREL à

partir de données collectées par nos soins. L’ajustement est exactement le même dans les deux

cas. Pourtant, les deux modèles sont fondamentalement différents puisque le premier fait

appel à deux construits et donc deux concepts, alors que le second repose sur un construit

unique. Pour le réaliste, si d’un point de vue statistique les modèles sont équivalents, seul un

modèle est « vrai ». Aussi, la seule conduite à tenir est de choisir le modèle sur la base de la

théorie, ceci quelque soit l’ajustement. En effet, si la théorie testée est fondée sur deux

16

concepts, seul le modèle 1 est évalué. Il est accepté ou rejeté, et le modèle 2 ne peut pas

représenter une alternative car il fait référence à une réalité différente. Pour le constructiviste,

il n’y a pas qu’une réalité, mais plusieurs réalités construites, aussi les deux modèles sont

équivalents et devront être interprétés pour rendre compte de ces multiples réalités.

Figure 3 – Deux modèles pour le même ajustement

Conclusion

L’objectif de cette communication était d’aborder la place des outils de mesure dans la

recherche sur le comportement du consommateur dont la littérature est marquée par un rejet

croissant des méthodes quantitatives, principalement sous l’influence du courant

postmoderne. Il apparaît qu’une opposition située à un niveau philosophique, en l’occurrence

les perspectives positiviste / réaliste d’une part et interprétativiste / constructiviste d’autre

part, se traduise par des prises de position à un niveau méthodologique. Thompson (1993)

explique que dans la narration moderne, les concepts de vérité et de méthode sont liés car

connaître la vérité c’est utiliser la bonne combinaison de méthodes pour collecter des faits

empiriques et analyser leur correspondance avec la théorie. Dans cette perspective, le

X1 X3

Erreur

1

Erreur

2

Erreur

3

A

Modèle 1

X2 X4

Erreur

4

χ² : 4,7 ; GFI : 0,990 ; AGFI : 0,901 ;

NFI : 0,978 ; CFI : 0,982 ; SRMR : 0,0258

Paramètres : 9 ; degrés de liberté : 1

X1 X3

Erreur

1

Erreur

2

Erreur

3

A

Modèle 2

X2 X4

Erreur

4

B

χ² : 4,7 ; GFI : 0,990 ; AGFI : 0,901 ;

NFI : 0,978 ; CFI : 0,982 ; SRMR : 0,0258

Paramètres : 9 ; degrés de liberté : 1

17

positivisme est associé à une logique quantitative et l’interprétativisme à une logique

qualitative. Inversement, toute approche quantitative est perçue nécessairement comme

positiviste. Pourtant, le point de vue défendu ici est que cette stigmatisation (Deshpandé,

1983) ne se justifie pas autrement que par des éléments historiques, sociaux et culturels. En

effet, les chercheurs sont également des consommateurs de méthodes, de logiciels, ou même

de courants théoriques qui sont utilisés comme des offres marketing (e.g. le « mix »

scientifique de Peter et Olson, 1983) ou s’offrant eux-mêmes comme des marques (Cova et

Salle, 2008). Le fait d’utiliser une méthode plutôt qu’une autre est un moyen de signifier son

appartenance à un courant ou une communauté scientifique. A cet égard, Trocchia et

Berkowitz (1999) exposent comment l’outil statistique est un élément fort de la socialisation

des doctorants en marketing qui peuvent être amenés à choisir un positionnement

épistémologique sur cette même base sociale.

Les exemples présentés dans cette communication suggèrent pourtant que l’utilisation des

échelles de mesure en marketing est une pratique ouverte sur le plan épistémologique. Il a été

vu que les construits développés peuvent simultanément être appréhendés selon un point de

vue réaliste ou constructiviste. Le construit statistique n’est pas associé à une seule

perspective, deux mondes y cohabitent. C’est ce que Kuhn (1962 [1983]) appelle

l’incommensurabilité. Les prises de position qui consistent à rejeter l’approche quantitative

dans une perspective interprétativiste peuvent apparaître comme des tentatives de rendre les

différents courants de recherche en comportement du consommateurs commensurables par la

construction de frontières claires à la fois aux niveaux épistémologique et méthodologique

(positivisme/quantitatif versus interprétativisme/qualitatif). Ces tentatives paraissent vaines

car la seule frontière possible se trouve dans le rapport du chercheur à la réalité, non dans la

méthode qu’il emploie.

18

Bibliographie

Anderson P. F. (1981), A review of some recent philosophy and sociology of science

literature, papier de recherche, Virginia Polytechnic Institute and State University.

Arnould E. J. (2006), Service-dominant logic and consumer culture theory: natural allies in an

emerging paradigm, Marketing Theory, 6, 3, 317-334.

Arnould E. J., Thompson C. J. (2005), Consumer culture theory (CCT): twenty years of

research, Journal of Consumer Research, 31, 4, 868-882.

Bass F. M., Buzzell R. D., Greene M. R., Lazer W., Pessimier E. A., Shawver D., Schuchman

A., Wilson G. W. (1961), Mathematicals models and methods in marketing, Homewood, IL,

R. D. Irwin.

Bitbol M. (1997), En quoi consiste la “révolution quantique” ? Revue Internationale de

Systémique, 11, 2, 215-239.

Bollen K., Lennox R. (1991), Conventional wisdom on measurement: a structural equation

perspective, Psychological Bulletin, 110, 2, 305-314.

Borsboom D., Mellenbergh G. J., van Heerden J. (2003), The theoretical status of latent

variables, Psychological Review, 110, 2, 203-219.

Cattell (1966), The scree test for the number of factors, Multivariate Behavioural Research, 1,

2, 245-276.

Chin W. W. (1988), Issues and opinion on structural equation modeling, MIS Quaterly, 22, 1,

7-16.

Churchill G. A. (1979), A paradigm for developing better measures of marketing constructs,

Journal of Marketing Research, 16, 1, 64-73.

Churchill Jr., G. A. (1998). Measurement in marketing: time to refocus? in J. D. Hess, K. B.

Monroe (coord.), Paul D. Converse Symposium. 14, Chicago, AMA, 25-41.

Cochoy F. (1999) Une histoire du marketing, Paris, La découverte.

19

Converse P. D. (1945), The development of the science of marketing: an exploratory survey,

Journal of Marketing, 10, 1, 14-23.

Cova B. Salle R. (2008), From scientific controversies to brand communities: welcome to a

branded world!, 24th Industrial Marketing and Purchasing Group Conference, Uppsala.

Crié D. (2005), De l’usage des modèles de mesure réflectifs ou formatifs dans les modèles

d’équations structurelles, Recherche et Applications en Marketing, 20, 2, 5-27.

Cronbach L. J. (1951), Coefficient alpha and the internal structure of tests, Pychometrika, 16,

3, 297-334.

Deshpandé R. (1983), "Paradigms Lost": on theory and method in research in marketing,

Journal of Marketing, 47, 4, 101-110.

Edwards J. R., Bagozzi R. P. (2000), On the nature and direction of relationships between

constructs and measures, Psychological Methods, 5, 2, 155-174.

Ehrenberg A. S. C. (1968), The factor analytic search for program types, Journal of

Advertising Research, 8, 1, 55-63.

Finn A., Kayandé U. (2005), How fine is C-OAR-SE ? A generalizability theory perspective

on Rossiter’s procedure, International Journal of Research in Marketing, 22, 1, 11-21.

Frank R. E., Kuehn A. A., Massy W. F. (1962), Quantitative techniques in marketing

analysis, Homewood, IL, R. D. Irwin.

Gerbing D. W., Anderson J. C. (1988), An updated paradigm for scale development

incorporating unidimensionality and its assessment, Journal of Marketing Research, 25, 2,

186-192.

Hershberger S. L. (1994), The specification of equivalent models before the collection of data,

in A. von Eye, C. C. Clogg (coord.), Latent variables analysis: applications for

developmental research, Thousand Oaks, CA, Sage Publications, 68-108.

20

Jacoby J. (1978), Consumer research: a state of the art review, Journal of Marketing, 42, 2,

87-96.

Jarvis C. B., MacKenzie S. B., Podsakoff Ph. M. (2003), A critical review of construct

indicators and measurement model misspecification in marketing and consumer research,

Journal of Consumer Research, 30, 1, 199-218.

Joreskog K. G. (1971), Statistical analysis of sets of congeneric tests, Psychometrika, 36, 2,

109–133.

Joreskog K. G., van Thillo M. (1972), LISREL: a general computer program for estimating a

linear structural equation system involving multiple indicators of unmeasured variables,

Princeton, NJ, Educational Testing Service.

Kuhn Th. S. (1962 [1983]), La structure des révolutions scientifiques, Paris, Flammarion.

Lazarsfeld P. F. (1950), The logical and mathematical foundation of latent structure analysis,

in S. A. Stoufer, L. Guttman, E. A. Suchman, P. L. Lazarsfeld, (coord.), Studies in social

psychology in World War II, 4, Princeton, NJ, Princeton University Press, 362– 412.

MacKenzie S. B. (2003), The dangers of poor construct conceptualization, Journal of the

Academy of Marketing Science, 31, 3, 323-326.

Nie N., Bent D., Hull C. H. (1970), SPSS: statistical package for the social sciences, New

York, NY, McGraw-Hill.

Nunnally J. C. (1967), Psychometric theory, New York, McGraw-Hill, 1ère édition.

Nunnally J. C. (1978), Psychometric theory, New York, McGraw-Hill, 2ème édition.

Nunnally J. C., Bernstein I. H. (1994), Psychometric theory, NY, McGraw-Hill, 3ème édition.

Olson, Jerry C. (1981), Towards a science of consumer behavior, in A. Mitchell, Advances in

Consumer Research, 9, Ann Arbor, MI, Association for Consumer Research, v-x.

Parasuraman A., Zeithaml V. A., Malhotra A. (2005), E-S-QUAL: a multiple-item scale for

assessing electronic service quality, Journal of Service Research, 7, 3, 213-233.

21

Peter J. P. (1979), Reliability: a review of psychometric basics and recent marketing practices,

Journal of Marketing Research, 16, 1, 6-17.

Peter J. P. (1982), Current issues in the philosophy of science: implications for marketing

theory, in R. F. Bush et S. D. Hunt (coord.), Marketing theory: philosophy of science

perspectives, Chicago, American Marketing Association, 11-16.

Peter J. P., Olson J. C. (1983), Is science marketing?, Journal of Marketing, 47, 4, 111-125.

Rossiter J. R. (2002), The C-OAR-SE procedure for scale development in marketing,

International Journal of Research in Marketing, 19, 305-335.

Sherry J. F. (1991), Postmodern alternatives: the interpretive turn in consumer research, in T.

S. Robertson et H. H. Kassarjian (coord.), Handbook of Consumer Behavior, Englewood

Cliffs, Prenctice Hall, 548-591.

Spearman C. (1904), General intelligence, objectively determined and measured, American

Journal of Psychology, 15, 2, 201–293

Stewart D. W. (1981), The application and misapplication of factor analysis in marketing

research, Journal of Marketing Research, 18, 1, 51-62.

Thompson C. J. (1993), Modern truth and postmodern incredulity: a hermeneutic

deconstruction of the metanarrative of “scientific truth” in marketing research, International

Journal of Research in Marketing, 10, 3, 325-338.

Trocchia Ph. J., Berkowitz D. (1999), Getting doctored: a proposed model of marketing

doctoral student socialization, European Journal of Marketing, 33, 7/8, 746-760.

Vargo S. L., Lusch R. F. (2004), Evolving to a new dominant logic for marketing, Journal of

Marketing, 68, 1, 1-17.

Wilcox J. B., Howell R. D., Breivik E. (2008), Questions about formative measurement,

Journal of Business Research, 61, 12, 1219-1228.