Analyse factorielle ACP questionnaire comportement consommateur : guide pas à pas sous SPSS

Vous avez construit un questionnaire Likert pour étudier le comportement du consommateur dans votre mémoire de master ou votre thèse de doctorat, et on vous a conseillé de faire une analyse en composantes principales (ACP). Mais par où commencer ? Quels indicateurs regarder en premier ? Comment interpréter les résultats sans vous perdre dans les tableaux SPSS ?

Ce guide vous propose une démarche opérationnelle, étape par étape, pour réaliser et interpréter une analyse factorielle de type ACP sur un questionnaire de comportement du consommateur, en ajoutant les nuances nécessaires pour ne pas présenter les règles comme des vérités absolues.

Pourquoi l’ACP est très utilisée en marketing et sciences de gestion

Le comportement du consommateur est un objet d'étude complexe. Quand vous interrogez des répondants sur leurs attitudes envers une marque, leurs motivations d'achat ou leur sensibilité au prix, vous obtenez souvent une vingtaine d'items Likert qui se chevauchent et se renforcent mutuellement.

L'analyse en composantes principales (ACP) est une méthode de réduction de dimension qui permet de résumer ces nombreuses variables observées en un plus petit nombre de composantes.

Dans la pratique des sciences de gestion, ces composantes sont souvent interprétées comme des dimensions « latentes » (satisfaction, fidélité, implication…), même si, théoriquement, l’ACP travaille sur la variance totale (commune et spécifique) plutôt que sur des facteurs latents au sens strict de l’analyse factorielle.

En mémoire de marketing ou de gestion, l'ACP sert typiquement à :

• Vérifier la structure dimensionnelle d'une échelle importée de la littérature (implication, satisfaction, fidélité…).
• Créer des scores synthétiques (composantes ou facteurs) qui seront ensuite utilisés dans une régression ou une ANOVA.
• Épurer un questionnaire en éliminant les items qui ne contribuent à aucune structure stable et interprétable.

Petit rappel important : l'ACP, telle qu’utilisée sous SPSS, est une méthode exploratoire qui décrit la structure des données dans votre échantillon.

Si vous souhaitez confirmer une structure théorique précise (par exemple un modèle à trois dimensions bien défini dans la littérature), il faut recourir à une analyse factorielle confirmatoire (AFC), réalisable sous AMOS, R ou d’autres logiciels. Pour la grande majorité des mémoires de licence ou de master, une ACP bien menée sous SPSS est largement suffisante.

Préparer vos données avant de lancer l’ACP

Vérifier la nature et la direction des items

Avant d’ouvrir SPSS, assurez-vous que toutes vos variables sont bien numériques (codes 1 à 5, 1 à 7, etc.) et orientées dans le même sens (valeurs élevées = attitude ou comportement « positif », par exemple).

Si vous avez un item formulé négativement (par exemple : « Ce produit ne répond pas à mes attentes » sur une échelle de 1 à 5), il faut le recoder pour que 1 devienne 5, 2 devienne 4, etc. Dans SPSS : Transformer → Recoder en différentes variables.

Expliquez dans votre mémoire que ce recodage garantit la cohérence d’interprétation des scores, ce qui est indispensable pour l’ACP et pour l’alpha de Cronbach.

Traiter les valeurs manquantes

L’ACP sous SPSS exige des données complètes pour les variables sélectionnées. Deux options courantes :

• Exclusion listwise : seuls les répondants ayant répondu à tous les items sont conservés. C’est l’option par défaut de SPSS et elle convient lorsque le taux de non‑réponse est faible et aléatoire.
• Remplacement par la moyenne : acceptable si les valeurs manquantes sont isolées et peu nombreuses, mais à utiliser avec prudence car cela tend à sous‑estimer la variance et peut affecter la structure factorielle.

Dans votre mémoire, précisez votre choix, justifiez-le (taux de non-réponse, tests de mécanisme des données manquantes si possible) et mentionnez que des méthodes plus avancées (imputation multiple) existent, même si vous ne les mettez pas en œuvre.

Vérifier la taille de l’échantillon

Une règle empirique très répandue recommande un minimum de 5 à 10 répondants par item, avec un plancher de l’ordre de 100 observations ;

Pour un questionnaire de comportement du consommateur de 20 items, viser au moins 150 répondants est un objectif raisonnable. En dessous, la stabilité des solutions factorielles peut être plus faible et la généralisation plus délicate.

Important : ce sont des repères pratiques, pas des normes mathématiques strictes ;

La qualité de la matrice de corrélation (degré de corrélation entre items, clarté des facteurs) joue aussi un rôle majeur. Dans votre mémoire, présentez ces chiffres comme « règles empiriques couramment citées », et non comme des conditions absolues.

Réaliser l’ACP pas à pas sous SPSS

Étape 1 – Accéder à la procédure

Dans SPSS :

Analyse → Réduction des données → Analyse factorielle.

Sélectionnez tous vos items Likert et déplacez-les dans la zone Variables. Vérifiez que vous n’y avez pas inclus par erreur des variables nominales (sexe, profession…) qui ne sont pas appropriées pour une ACP.

Étape 2 – Vérifier l’adéquation des données (KMO et test de Bartlett)

Cliquez sur Descriptives et cochez :

• Coefficients de corrélation.
• Indice KMO (Kaiser-Meyer-Olkin).
• Test de sphéricité de Bartlett.

Ces indicateurs sont vos premiers gardes‑fous :

• Indice KMO : il mesure si vos items partagent suffisamment de variance commune pour justifier une analyse factorielle.
• Des valeurs KMO ≥ 0,70 sont souvent considérées comme acceptables ;
• Au-dessus de 0,80, on parle généralement d’une très bonne adéquation ;
• En dessous de 0,60, il est souvent déconseillé d’interpréter une ACP, car la structure commune est faible ;
• Précisez dans votre mémoire que ces seuils sont des recommandations usuelles, pas des lignes rouges absolues.
• Test de sphéricité de Bartlett : il vérifie que votre matrice de corrélation diffère significativement d’une matrice identité (absence totale de corrélation).
• Vous souhaitez un p < 0,05, ce qui signifie que les variables sont suffisamment corrélées entre elles pour qu’une structure factorielle existe.iosrjournals+1

Exemple : dans une étude sur l'attitude envers l'achat en ligne chez des consommateurs camerounais (n = 210, 18 items), un résultat du type KMO = 0,82 et Bartlett p < 0,001 indique une structure factorielle exploitable.

Étape 3 – Choisir le nombre de facteurs à retenir

Cliquez sur Extraction. SPSS propose par défaut la méthode « Composantes principales », qui est cohérente avec une ACP au sens large.

Pour décider du nombre de facteurs/composantes :

• Règle de Kaiser : ne retenir que les composantes dont la valeur propre (eigenvalue) est supérieure à 1. C’est le critère le plus répandu, mais il peut parfois extraire trop de facteurs, surtout avec de longs questionnaires ;
• Scree plot (diagramme des éboulis) : cochez « Graphique des valeurs propres ». Repérez le « coude » de la courbe ; les facteurs au‑delà du coude sont souvent considérés comme du bruit.

La bonne pratique est de croiser ces critères avec l’interprétabilité des facteurs : un facteur sans cohérence thématique ou composé d’un seul item est rarement utile.

Vous pouvez le mentionner explicitement dans votre mémoire : « Nous avons combiné la règle de Kaiser, l’examen du scree plot et la pertinence conceptuelle des facteurs pour retenir X facteurs. »

Étape 4 – Choisir et justifier la rotation (Varimax vs rotation oblique)

Cliquez sur Rotation. Deux grandes options :

• Varimax (rotation orthogonale) :
• Cherche à minimiser le nombre de variables ayant des saturations élevées sur chaque facteur ;
• Produit des facteurs non corrélés entre eux ; cela simplifie les analyses ultérieures (régression, ANOVA) et l’interprétation ;
• Très utilisé dans les mémoires pour sa simplicité.
• Rotations obliques (Promax, Direct Oblimin) :
• Autorisent des corrélations entre facteurs, ce qui est souvent plus réaliste en marketing (par exemple, satisfaction et fidélité sont rarement indépendantes).ibm+1
• Donnent une image plus fidèle de la structure psychologique, mais demandent une interprétation légèrement plus avancée (matrice de structure vs matrice de pattern).

Pour un premier mémoire, Varimax est un choix acceptable et facile à défendre, tant que vous expliquez que vous faites l’hypothèse que les dimensions peuvent être traitées comme approximativement indépendantes.

Si le cadre théorique indique clairement que les dimensions sont corrélées, vous pouvez justifier une rotation oblique (Promax) en l’expliquant dans la méthodologie.

Étape 5 – Lire et interpréter la matrice des composantes après rotation

Le tableau clé est la « matrice des composantes après rotation » (ou matrice des charges factorielles).

Chaque ligne correspond à un item, chaque colonne à un facteur. La valeur inscrite est la saturation (chargement) de l’item sur le facteur, c’est‑à‑dire à quel point l’item « participe » au facteur.

Repères usuels (à présenter comme des « règles empiriques ») :

• Saturation ≥ 0,50 : l’item contribue fortement au facteur ;
• Saturation entre 0,30 et 0,50 : contribution modérée, à interpréter avec prudence ;
• Item saturant ≥ 0,40 sur deux facteurs ou plus : item ambigu, qui peut poser problème pour l’interprétation ; vous pouvez envisager de le supprimer ou de le reformuler.

Une fois les facteurs identifiés, regardez quels items saturent ensemble et donnez-leur un nom thématique.

Exemple : si les items « J'achète souvent dans ce magasin », « J'y retourne spontanément » et « C'est mon enseigne préférée » saturent sur le même facteur, vous pouvez le nommer Fidélité comportementale.

Dans votre mémoire, explicitez la logique de nommage : « Le facteur 1 regroupe les items relatifs à la fréquence d’achat et à la préférence pour le magasin ; nous l’avons donc interprété comme une dimension de fidélité comportementale. »

Évaluer la fiabilité des facteurs avec l’alpha de Cronbach

L’ACP identifie des groupes d’items, mais elle ne garantit pas à elle seule la cohérence interne de ces groupes. Il faut compléter l’analyse par une mesure de fiabilité.

Sous SPSS : Analyse → Échelle → Analyse de fiabilité.

Pour chaque facteur (ensemble d’items), calculez l’alpha de Cronbach :

• α ≥ 0,70 : fiabilité généralement considérée comme acceptable dans un contexte exploratoire ;
• α ≥ 0,80 : fiabilité bonne à très bonne ;
• α < 0,60 : cohérence interne faible ; il faut examiner les items.

La colonne « Alpha si élément supprimé » vous indique l’alpha qui serait obtenu si vous retiriez un item.

Si l’alpha augmente significativement en retirant un item, cela peut justifier d’exclure cet item des scores du facteur.

Dans votre texte, rappelez que l’alpha de Cronbach est une mesure largement utilisée, mais qu’elle a des limites (sensibilité au nombre d’items, hypothèse de tau‑équivalence) et qu’elle n’est pas une preuve absolue de validité.

Pour un mémoire, il suffit de le signaler brièvement en montrant que vous êtes conscient de ces limites.

Erreurs fréquentes à éviter dans votre mémoire

L’expérience d’encadrement en marketing et gestion fait ressortir plusieurs pièges récurrents :

• Ignorer KMO et Bartlett : lancer une ACP sans rapporter ces indicateurs est considérée comme une erreur méthodologique. Mentionnez et commentez les deux dans votre mémoire ;
• Retenir mécaniquement tous les facteurs avec valeur propre > 1 : la règle de Kaiser ne doit pas être appliquée sans contrôle. Utilisez le scree plot et l’interprétabilité thématique pour valider votre choix ;
• Oublier la rotation : une solution non rotée est rarement exploitable ; le premier facteur peut absorber une grande partie de la variance. La rotation est indispensable pour obtenir une structure « simple » et interprétable ;
• Confondre ACP et analyse factorielle exploratoire (AFE) : SPSS regroupe ces méthodes dans le même menu, mais la méthode « Composantes principales » et la méthode « Maximum de vraisemblance » ne reposent pas sur les mêmes hypothèses. Expliquez brièvement dans votre mémoire que vous utilisez une ACP à des fins exploratoires ;
• Ne pas rapporter la variance expliquée totale : indiquez toujours le pourcentage de variance cumulée expliqué par les facteurs retenus. Des valeurs autour de 55–70% sont fréquentes en sciences sociales et généralement acceptables ;
• Interpréter les seuils comme des lois universelles : dans votre discussion, précisez que les seuils (KMO, saturations, alpha, taille d’échantillon) sont des standards pratiques, mais qu’ils peuvent varier selon les domaines et les auteurs.

Vous souhaitez aller plus loin ou faire réaliser votre ACP par un expert ? Zycral propose un accompagnement personnalisé pour l'analyse statistique de vos données de mémoire ou de recherche : de la conception du questionnaire à l'interprétation des résultats, en passant par le rapport SPSS complet. Découvrez nos services d'analyse de données et prenez contact avec notre équipe dès aujourd'hui.