← Retour au cours
🧪

Analyser votre projet de Prix

CM 33hmercredi 21 oct. 2026 · 9h30–12h30

Le cours d'analyse appliqué à votre projet de Prix : nettoyer, vérifier la manipulation, tester votre A/B, tracer Van Westendorp et Gabor-Granger, et valider vos échelles.

Votre projet de Prix, analysé
Ce que vous faites aujourd'hui
Les six scripts du squelette, dans l'ordre : un script par étapesi vous avez posé des échelles1Nettoyerle journaldes retraits2ManipulationWelch sur laquestion de contrôle3Test A/BWelch ou chi²selon la variable4PrixVan Westendorp,Gabor-Granger5Échellesalpha, CFA,AVE, HTMT6Modèleéquationsstructurelles
Les étapes 5 et 6 ne concernent que les groupes qui ont posé des échelles de Likert, l'étape 6 de leur questionnaire.

Votre collecte du cours de Prix se termine aujourd'hui : vous appliquez le cours d'analyse à vos propres réponses.

Chaque groupe travaille sur son propre export, dans l'ordre du schéma, une étape à la fois.

Deux étapes sont détaillées plus longuement, parce qu'elles sont nouvelles : le contrôle de manipulation, et la validation de vos échelles.

Ce que vous produisez répond à une question de votre dossier de Prix : quel prix votre client accepte-t-il, avec et sans votre variation, et que permettent de conclure vos réponses ?

Le squelette
FichierCe qu'il fait
config.pyle seul fichier à adapter : vos colonnes, vos versions, vos prix, vos échelles
01_nettoyer.pydoublons, membres du M1, contrôles d'attention ratés, réponses de prix incohérentes ; un journal
02_manipulation.pyle contrôle de manipulation : la différence entre A et B a-t-elle été perçue ?
03_test_ab.pyle tirage au sort, puis le test A/B : Welch pour un nombre, chi² pour un oui ou non
04_prix.pyles courbes de Van Westendorp et la table de Gabor-Granger, en graphiques
05_echelles.pyfiabilité et validité des échelles : alpha, CFA, fiabilité composite, AVE, HTMT
06_modele_structurel.pyles liens entre construits, et la médiation par bootstrap
donnees/exemple.csvun jeu fictif de 196 réponses, pour voir le format et vérifier que tout tourne
Le dépôt analyse-projet-prix : six scripts Python, un par étape, et un fichier de réglages.

Le squelette est un dépôt GitHub à copier : analyse-projet-prix.

Vous n'adaptez qu'un fichier, config.py : il dit au squelette comment s'appellent vos colonnes.

Il tourne d'abord sur un jeu d'exemple fictif : un coffret de chocolats à 45 €, présenté en version artisanale ou standard, 196 réponses inventées avec le désordre habituel.

Tous les chiffres de cette page en viennent : vous les retrouverez à l'identique en le faisant tourner.

Faites-le tourner tel quel avant d'y toucher : vous saurez à quoi ressemble une sortie normale.

Votre IA qui code peut adapter config.py à votre export ; demandez-lui de ne toucher à rien d'autre, et relisez chaque réglage.

promptVoici l'export CSV de mon questionnaire de prix et le dépôt analyse-projet-prix. Adapte uniquement config.py aux colonnes de mon fichier : la colonne qui dit quelle version a été vue, la question de contrôle de manipulation, les quatre seuils de Van Westendorp, les prix de Gabor-Granger, mes échelles et leurs items inversés. Ne modifie aucun autre fichier. Explique chaque réglage que tu changes, et dis-moi quelles colonnes de mon fichier tu n'as pas su rattacher.

Ce n'est pas une boîte noire : chaque chiffre qui sort, vous devez pouvoir l'expliquer, et la soutenance de Prix vous interrogera dessus.

Vos réponses sont des données personnelles : elles restent hors de GitHub, et le dépôt est réglé pour ne jamais les envoyer.

Nettoyer : de l'export à la base d'analyse
L'entonnoir
Nombre de réponses qui restent après chaque étape du nettoyageRéponses reçues196Doublons (même identifiant)190− 6Membres du M1182− 8Contrôle d'attention raté175− 7Van Westendorp : seuils dans le désordre168− 7Gabor-Granger incohérent163− 5
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard.

Avant tout test, on retire ce qui ne doit pas entrer dans l'analyse, et on garde la trace de chaque retrait.

Le premier script le fait dans l'ordre : les doublons, les membres du M1 qui connaissent l'étude, les contrôles d'attention ratés, puis les réponses de prix incohérentes.

Sur l'exemple, 196 réponses reçues, 163 analysées : 86 en version artisanale, 77 en version standard.

Ce journal s'écrit tel quel dans votre dossier : réponses reçues, chaque retrait et sa raison, effectif final par version.

Les réponses de prix incohérentes
Van Westendorp : les quatre seuils d'un répondant, dans l'ordre des questions0 €20 €40 €60 €80 €trop bon marchébon marchéchertrop cher43 €32 €répondant type (médianes)répondant s005Gabor-Granger : répondant s08415 €achète30 €n'achète pas45 €achète60 €achète75 €n'achète pasaccepte 45 € aprèsavoir refusé 30 €
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard. Le répondant type relie les médianes des quatre seuils.

Chez un même répondant, les quatre seuils de Van Westendorp doivent monter : trop bon marché, bon marché, cher, trop cher.

Le répondant s005 trouve le coffret cher dès 32 €, mais encore bon marché à 43 € : il a mal lu une question, on l'écarte.

Dans Gabor-Granger, accepter 45 € après avoir refusé 30 € est la même incohérence.

C'est la règle posée au CM 2 de Prix ; le script l'applique, à vous de dire combien de répondants elle a écartés.

Si ce nombre dépasse une poignée, regardez votre questionnaire avant vos répondants : une consigne ambiguë, un ordre de questions qui déroute.

Le contrôle de manipulation
Le problème : un test A/B qui ne montre rien
Test A/B non significatif :même prix accepté pour A et BHistoire 1 : la mention a été vueet elle ne change pas le prix acceptéun résultat marketing, à recommanderHistoire 2 : la mention n'a pas été vueles répondants ont lu trop vitele test n'a rien testéLes réponses de prix sont les mêmes dans les deux histoires : seule la question de contrôle les sépare.
Schéma de l'auteur, sur l'exemple du coffret de chocolats.

Imaginez que votre test A/B ne donne rien : le prix accepté est le même pour la version artisanale et pour la version standard.

Deux histoires très différentes expliquent ce résultat.

Dans la première, les répondants ont bien vu que le coffret était artisanal, et cela ne change pas ce qu'ils acceptent de payer : c'est une conclusion marketing, et elle est utile.

Dans la seconde, ils ont lu trop vite et n'ont pas remarqué la mention : votre test n'a rien testé.

Les réponses de prix ne permettent pas de distinguer ces deux histoires : il faut une question de plus.

Le contrôle de manipulation (manipulation check) vérifie que la différence entre vos deux versions a bien été perçue, comme vous l'aviez prévu.

La question de contrôle
Les sept étapes du questionnaire (CM 2 de Prix) : le contrôle vient après les prix1Accueil2Filtre3Offre A ou B4Prix : VW, GG5Contrôle6Perception7Profil« Ce coffret m'a semblé fait à la main, par un artisan. »1234567pas du tout d'accordtout à fait d'accord
La structure du questionnaire est celle du CM 2 de Prix ; l'item est celui du jeu d'exemple.

La question de contrôle mesure ce que vous avez fait varier, pas le résultat que vous attendez.

Si la version A ajoute la mention « fabriqué à la main par un artisan chocolatier », on demande à quel point le coffret a semblé artisanal, de 1 à 7.

Si vous avez fait varier une marque, un label ou un prix barré, la question porte sur la marque, le label ou la promotion perçue.

Elle se pose aux deux groupes, avec la même formulation : c'est la comparaison entre les groupes qui compte, pas la réponse de chacun.

Elle vient après les questions de prix : posée avant, elle soufflerait au répondant ce qui est testé, et pourrait changer ses réponses (Hauser, Ellsworth et Gonzalez, 2018).

Une échelle de 1 à 7 vaut mieux qu'un oui ou non : elle donne un score, que l'on compare par une moyenne.

Le test : un Welch sur le score de contrôle
Réponses à la question de contrôle, de 1 à 7, en % de chaque versionversion artisanalen = 861 %5 %17 %29 %28 %20 %moyenne 5,37version standardn = 774 %19 %25 %38 %13 %1 %moyenne 3,401234567
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard.

On compare le score moyen des deux groupes, exactement comme au CM 2 : deux groupes indépendants, une variable quantitative, donc un test t de Welch.

L'hypothèse est orientée : ceux qui ont vu la version artisanale la jugent plus artisanale que ceux qui ont vu la version standard.

Sur l'exemple, 5,37 contre 3,40 sur 7 : t = 10,97, p < 0,001, d de Cohen = 1,72.

La différence est significative, dans le sens attendu, et forte : la manipulation a fonctionné.

Un d aussi grand n'a rien d'étonnant : la question porte précisément sur ce que vous avez changé.

Si votre question de contrôle est un oui ou non, « avez-vous remarqué la mention ? », le test devient un chi² sur le tableau croisé de la version et de la réponse.

Conclure : quatre situations
Test A/B significatifTest A/B non significatif
Manipulation réussieLa variation a été perçue, et elle change la réponse : c'est l'effet de votre variation.La variation a été perçue, et elle ne change pas la réponse : c'est un résultat, à écrire avec la puissance du test.
Manipulation non vérifiéeUn effet, sans que la différence ait été nettement perçue : il passe peut-être par autre chose que ce que vous pensiez faire varier. Prudence.Le test n'a rien testé : on ne conclut rien sur l'effet de la variation, et on l'écrit comme une limite.
Le contrôle se lit avant le test A/B : il décide de ce que vous avez le droit d'en dire.

Le résultat du contrôle se croise avec celui du test A/B, et les quatre cases ne disent pas la même chose.

Dans votre dossier, le contrôle s'écrit en premier, en une phrase, avant le test A/B.

Sur l'exemple : « La manipulation a fonctionné : les répondants exposés à la version artisanale l'ont jugée plus artisanale que ceux exposés à la version standard (5,37 contre 3,40 sur 7 ; t de Welch = 10,97, p < 0,001, d = 1,72). »

Le test A/B se lit ensuite comme l'effet de votre variation, et seulement alors.

Une manipulation inversée, la version standard jugée plus artisanale que l'autre, signale un problème dans vos versions : relisez-les avant d'interpréter quoi que ce soit.

Pourquoi on le fait, et ce qu'on ne fait pas
Contrôle d'attention (CM 2)Contrôle de manipulation
Ce qu'il vérifieque le répondant lit les questionsque la différence entre A et B a été perçue
Sa bonne réponseimposée : « cochez 5 »aucune : il se juge sur l'écart entre les deux groupes
Ceux qui échouentretirés de la base, avant toute analysegardés : on ne retire personne
Ce qu'on en faitun nettoyageune lecture du test A/B
Deux questions de contrôle, deux usages.

Le contrôle de manipulation se confond souvent avec la question de contrôle du CM 2, le contrôle d'attention : ce sont deux outils différents.

Le contrôle d'attention a une bonne réponse imposée, et ceux qui la ratent sortent de la base avant toute analyse.

Le contrôle de manipulation n'a pas de bonne réponse individuelle : il se juge sur la différence entre les deux groupes.

On ne retire donc pas les répondants qui n'ont « pas vu » la mention artisanale.

Ceux qui la remarquent ne sont pas tirés au hasard : ils sont peut-être plus attentifs, ou plus amateurs de chocolat, et ne garder qu'eux casserait la comparabilité que le tirage au sort avait créée.

Le contrôle sert à interpréter le test, il ne sert pas à trier les répondants.

C'est pour cela que les expériences publiées en marketing le rapportent presque toujours : sans lui, le lecteur ne sait pas ce que votre variation a réellement changé dans la tête des répondants.

Le test A/B
Le tirage au sort a-t-il fonctionné ?
ProfilTestVersion artisanale contre standardp
Âge (années)Welch33,9 contre 36,2p = 0,160
Genrechi²chi² = 0,03, 1 ddlp = 0,864
Fréquence d'achat de chocolatchi²chi² = 5,40, 4 ddlp = 0,249
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard.

Avant de comparer les réponses, on compare les profils : le hasard doit avoir rendu les deux groupes semblables.

L'âge se compare par un Welch, le genre et la fréquence d'achat par un chi² : aucune différence significative sur l'exemple.

Une différence significative ici ne s'efface pas : elle se signale, et se garde en tête en lisant la suite.

Un nombre : le test de Welch
Seuil « trop cher » de chaque répondant (Van Westendorp), par version20 €40 €60 €80 €100 €120 €moyenne 69,97 €version artisanalemoyenne 65,74 €version standard
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard. Chaque point est un répondant.

Quand la variable dépendante est un nombre, un seuil de Van Westendorp, un prix accepté, une note, on compare deux moyennes par un test de Welch.

Sur l'exemple, le seuil « trop cher » passe de 65,74 € en version standard à 69,97 € en version artisanale.

t = 1,64, p = 0,103, d = 0,26 : la différence va dans le sens attendu, mais elle n'est pas significative.

Oui ou non : le chi²
Part des répondants qui achèteraient le coffret à 45 € (question de Gabor-Granger)version artisanale71 %61 sur 86version standard55 %42 sur 77
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard.

Quand la variable dépendante est un oui ou un non, achèterait-il à 45 € ?, on compare deux proportions par un chi², avec le V de Cramer pour taille d'effet.

71 % des répondants achèteraient en version artisanale, contre 55 % en version standard.

chi² = 4,69, 1 ddl, p = 0,030, V = 0,17 : le lien est significatif, et petit.

Van Westendorp et Gabor-Granger en Python
Quatre courbes, quatre points
Part des répondants pour qui chaque prix est trop bon marché, bon marché, cher ou trop cher0 %25 %50 %75 %100 %0 €20 €40 €60 €80 €100 €trop bon marchébon marchéchertrop cherPMC 31,9OPP 34,5IPP 42,1PME 46,1prix actuel 45 €zone de prixacceptable :la bandebleutée
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard, 163 répondants. Graphique produit par 04_prix.py, redessiné pour la page.

Pour chaque prix, le script compte la part des répondants qui le jugent trop bon marché, bon marché, cher ou trop cher.

Les deux courbes bleues descendent : plus le prix monte, moins on le trouve bon marché ; les deux orange montent.

Là où deux courbes se croisent, autant de répondants donnent l'une et l'autre réponse : les quatre croisements, vus en cours de Prix, sont marqués en haut du graphique.

PointCroisementCe qu'il ditExemple
PMC, point marginal de bon marchétrop bon marché et cheren dessous, le prix paraît trop bas pour être sérieux : le bas de la zone31,9 €
OPP, prix optimaltrop bon marché et trop cherautant de rejets pour prix trop bas que pour prix trop haut : le moins de rejets34,5 €
IPP, prix d'indifférencebon marché et cherautant le jugent bon marché que cher : le prix perçu comme normal42,1 €
PME, point marginal de chertébon marché et trop cherau-dessus, le prix paraît excessif à trop de monde : le haut de la zone46,1 €
Les quatre points de Van Westendorp, avec les conventions du cours de Prix.

Sur l'exemple, la zone de prix acceptable, la bande bleutée, va de 31,9 € à 46,1 €.

Le coffret, vendu 45 €, est dans la zone, tout près de son plafond : une hausse le ferait sortir.

Les points sont interpolés entre deux prix : arrondissez-les à l'euro dans votre dossier.

Une zone par version
Zone de prix acceptable (PMC à PME) et prix optimal (OPP), version par version25 €30 €35 €40 €45 €50 €55 €version artisanale32,046,1OPP 35,4version standard30,547,1OPP 34,0prix actuel 45 €
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard.

Le même calcul, version par version, montre ce que votre variation déplace.

Ici, les deux zones se recouvrent presque entièrement.

Une courbe par version se compare à l'œil, pas avec un test : la différence se teste sur les seuils de chaque répondant, comme au chapitre précédent.

Gabor-Granger : le prix qui rapporte
Marge par répondant à chaque prix proposé : (prix − coût variable de 18 €) × part qui achèterait-5 €0 €5 €10 €15 €20 €-3,00 €15 €100 % achètent11,12 €30 €93 % achètent17,06 €45 €63 % achètent12,11 €60 €29 % achètent3,50 €75 €6 % achètent
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard.

Pour chaque prix proposé, la part des répondants qui achèteraient, puis ce que rapporte un répondant : prix × part pour le chiffre d'affaires, (prix − coût variable) × part pour la marge.

Avec un coût variable de 18 €, la marge par répondant culmine à 45 € : 63 % achèteraient, 17,06 € de marge par répondant.

À 30 €, on vend à 93 % des répondants mais on gagne 11,12 € ; à 60 €, il n'en reste que 29 %.

C'est une intention déclarée : la part réelle sera plus basse, et c'est une hypothèse à malmener dans votre stress test.

Vos échelles mesurent-elles ce qu'elles prétendent ?
Une idée, plusieurs questions
Valeur perçuene s'observe pasval_1« Ce coffret a un prix raisonnable. »εval_2« Ce coffret offre un bon rapport qualité-prix. »εval_3« C'est un bon produit pour ce prix. »εce que les items ont en commun : l'idéece qui reste : la formulation, le bruit
Items adaptés de Sweeney et Soutar (2001), échelle PERVAL : trois des quatre items de sa dimension prix (« is reasonably priced », « offers value for money », « is a good product for the price »), traduits.

La valeur perçue, l'attitude envers une marque, l'intention d'achat ne s'observent pas : ce sont des variables latentes, vues au CM 2.

On les approche par plusieurs questions, les items, qui visent toutes la même idée avec des mots différents.

Chaque réponse mélange deux choses : ce que l'item partage avec les autres, l'idée, et ce qui lui est propre, la formulation et le bruit.

Plus les items vont ensemble, plus leur part commune est grande, et plus la mesure est fiable.

N'inventez pas vos items : reprenez une échelle publiée et validée, traduite si besoin, et citez-la.

Fiable, valide : deux qualités différentes
Quatre cibles : impacts dispersés loin du centre, impacts dispersés autour du centre, impacts groupés à côté du centre, impacts groupés au centre
En haut à gauche, ni fiable ni valide ; en haut à droite, valide en moyenne seulement ; en bas à gauche, fiable mais pas valide ; en bas à droite, fiable et valide. Nevit Dilmen, Wikimedia Commons, licence CC BY-SA 3.0.

Une mesure se juge sur deux qualités, que la cible sépare : chaque impact est une réponse, le centre est l'idée que vous voulez mesurer.

La fiabilité, c'est le regroupement des impacts : vos items donnent des réponses cohérentes entre elles, et la mesure répétée redonnerait la même chose.

La validité, c'est le centre : la mesure porte bien sur l'idée que vous croyez mesurer, et pas sur une voisine.

Une mesure peut être fiable sans être valide, en bas à gauche : des items très cohérents qui mesurent tous autre chose, la qualité perçue au lieu de la valeur perçue par exemple.

En haut à droite, les impacts entourent le centre sans s'y regrouper : la mesure n'est juste qu'en moyenne, et chaque répondant pris seul est mal mesuré.

C'est pourquoi on vérifie la fiabilité d'abord : elle ne suffit pas à rendre une mesure valide, mais sans elle la validité n'a pas de sens.

La suite du chapitre suit cet ordre : l'alpha et la fiabilité composite pour la fiabilité, l'AVE et le HTMT pour la validité.

D'abord, retourner les items inversés
« Ces chocolats ne me disent rien » : un item inversé, recodé en 8 − réponseréponse donnéeaprès recodage11223344556677sans recodagecorrélation avec att_1 : -0,59, alpha : -0,91après recodagecorrélation avec att_1 : 0,59, alpha : 0,81
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard. L'item att_3 mesure l'attitude envers les chocolats, à l'envers.

Certains items sont formulés à l'envers, pour repérer ceux qui cochent toujours la même colonne : « ces chocolats ne me disent rien ».

Un 7 y veut dire le contraire d'un 7 aux autres items : on le recode en 8 − réponse sur une échelle de 1 à 7, en 6 − réponse sur une échelle de 1 à 5.

Oublier ce recodage ruine tout le reste : sur l'exemple, l'alpha de l'attitude tombe de 0,81 à -0,91.

Le recodage se fait une fois, au nettoyage, et se signale ; dans le squelette, il suffit de nommer l'item dans config.py.

La fiabilité : l'alpha de Cronbach
Corrélation entre les neuf items, de 0 (blanc) à 1 (bleu foncé)att_1att_110,610,590,330,310,320,440,380,41att_2att_20,6110,540,310,300,180,380,360,32att_3att_30,590,5410,180,220,170,370,400,35val_1val_10,330,310,1810,670,590,370,350,40val_2val_20,310,300,220,6710,590,330,390,35val_3val_30,320,180,170,590,5910,370,440,34int_1int_10,440,380,370,370,330,3710,690,58int_2int_20,380,360,400,350,390,440,6910,60int_3int_30,410,320,350,400,350,340,580,601Attituder moyen = 0,58alpha = 0,81Valeurr moyen = 0,62alpha = 0,83Intentionr moyen = 0,62alpha = 0,83
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard, après recodage de att_3.

Des items qui mesurent la même idée sont plus corrélés entre eux qu'avec les items des autres idées : on le voit sur la carte, en trois blocs plus foncés.

L'alpha de Cronbach transforme ces blocs en un seul nombre par construit, qui dit à quel point ses items vont ensemble.

Il se calcule en deux temps : la corrélation moyenne entre les items du bloc, r, puis la formule α = k × r / (1 + (k − 1) × r), où k est le nombre d'items.

Pour l'attitude, les trois cases du bloc hors de la diagonale valent 0,61, 0,59 et 0,54 : leur moyenne fait r = 0,58.

Avec k = 3 items : α = 3 × 0,58 / (1 + 2 × 0,58) = 0,81.

Le même calcul donne 0,83 pour la valeur perçue et 0,83 pour l'intention ; ce sont les chiffres écrits à droite de la carte.

On l'attend au-dessus de 0,70 : les trois construits de l'exemple passent.

Le squelette calcule la version d'origine, à partir des variances des réponses plutôt que des corrélations ; quand les items ont des écarts-types proches, comme ici, les deux donnent le même chiffre.

L'alpha a deux faiblesses, visibles dans la formule : il monte dès qu'on ajoute des items, même médiocres, et il traite tous les items comme s'ils pesaient autant.

On va donc plus loin, avec un modèle qui estime le poids de chaque item.

Le modèle de mesure : l'analyse factorielle confirmatoire
Attitudeεatt_10,82εatt_20,74εatt_30,72Valeurεval_10,81εval_20,81εval_30,74Intentionεint_10,82εint_20,83εint_30,730,440,580,63corrélationentreconstruitspoids standardisé λ
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard. Estimation par semopy, poids standardisés.

L'analyse factorielle confirmatoire écrit ce que vous supposez : chaque item dépend d'un seul construit, celui que vous lui avez attribué, plus une erreur.

Elle est confirmatoire parce que c'est vous qui imposez la structure ; une analyse exploratoire laisserait les données proposer leurs propres regroupements.

Elle estime le poids de chaque item, λ, compris entre 0 et 1 une fois standardisé : la force du lien entre l'item et son construit.

Le carré du poids dit quelle part de l'item le construit explique : avec un poids de 0,82, l'attitude explique 67 % des réponses à att_1, le reste est son erreur.

On attend des poids d'au moins 0,70, soit la moitié de chaque item expliquée ; sur l'exemple, ils vont de 0,72 à 0,83.

Les construits peuvent être corrélés entre eux, ce sont les arcs à droite ; c'est attendu, tant qu'ils restent distincts.

Dans le squelette, le modèle s'écrit une ligne par construit, comme dans lavaan en R : Attitude =~ att_1 + att_2 + att_3.

L'ajustement : le modèle colle-t-il aux données ?
IndiceCe qu'il mesureSeuilExemple
chi²l'écart entre les corrélations observées et celles que le modèle préditp > 0,05, rarement atteint27,52 pour 24 ddl, p = 0,281
CFIle gain par rapport à un modèle où rien n'est lié≥ 0,900,99
TLIle même gain, pénalisé pour la complexité≥ 0,900,99
RMSEAl'erreur d'approximation par degré de liberté≤ 0,080,03
SRMRl'écart moyen entre corrélations observées et prédites≤ 0,080,03
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard.

Un modèle de mesure prédit les corrélations entre tous vos items ; l'ajustement compare ces corrélations prédites à celles que vous avez observées.

Le chi² teste une égalité parfaite ; avec beaucoup de répondants, il devient significatif pour des écarts minimes, c'est pourquoi on lit surtout les indices qui suivent.

Le CFI et le TLI s'attendent au-dessus de 0,90 ; le RMSEA et le SRMR, qui mesurent l'erreur restante, en dessous de 0,08.

Ce sont les seuils les plus courants en marketing, et ceux du cours : le squelette les applique.

Sur l'exemple, tous les indices sont bons : la structure en trois construits tient.

Fiabilité composite et validité convergente
ConstruitAlphaFiabilité composite (CR)AVEVerdict
Attitude0,810,810,58valide
Valeur0,830,830,62valide
Intention0,830,830,63valide
Seuils : alpha et CR ≥ 0,70, AVE ≥ 0,50. Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard.

La fiabilité composite, CR ou oméga, reprend l'idée de l'alpha avec les poids estimés par le modèle : un item faible y compte moins.

On l'attend, elle aussi, au-dessus de 0,70.

La variance moyenne extraite, l'AVE, est la moyenne des poids au carré : la part de ses items qu'un construit explique, en moyenne.

Au-dessus de 0,50, le construit explique davantage ses items que l'erreur ne le fait : c'est la validité convergente, au sens de Fornell et Larcker (1981).

Sur l'exemple, les trois construits passent les trois seuils.

La validité discriminante : deux idées, pas une
AttitudeAttitudeValeurValeur0,43IntentionIntention0,630,60HTMT00,851maximum ici : 0,63au-delà de 0,85, deuxconstruits se confondent
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard.

Deux construits peuvent avoir chacun une bonne fiabilité et mesurer pourtant la même chose : la valeur perçue et l'intention d'achat, si leurs items se ressemblent trop.

Le HTMT, ratio hétérotrait-monotrait, rapporte les corrélations entre les items de deux construits à celles qu'on trouve à l'intérieur de chacun.

Proche de 1, les deux construits se confondent ; on l'attend sous 0,85 (Henseler, Ringle et Sarstedt, 2015).

Sur l'exemple, le plus élevé est 0,63, entre attitude et intention : les trois construits sont bien distincts.

Le critère plus ancien de Fornell et Larcker compare l'AVE de chaque construit à ses corrélations au carré avec les autres ; le HTMT l'a remplacé, parce qu'il repère mieux les confusions.

Quand une étape ne passe pas
Ce qui ne passe pasCe qu'on regardeCe qu'on fait
Un item pèse moins de 0,70Est-il inversé et pas recodé ? Mal traduit, ambigu ?Recoder ; sinon le retirer, s'il en reste au moins deux, et dire pourquoi
Alpha ou CR sous 0,70Le plus souvent, un item faibleComme ci-dessus, puis recalculer
AVE sous 0,50Les poids les plus faiblesRetirer l'item le plus faible, si son contenu le justifie
HTMT au-dessus de 0,85Deux construits aux items trop prochesLes fusionner, ou n'en garder qu'un, et le justifier
Ajustement insuffisantLes poids d'abord, puis les items qui se ressemblent tropCorriger la mesure, pas forcer le modèle
Seuils du squelette, réglables dans config.py.

Une étape qui échoue se diagnostique, et se corrige dans la mesure, pas dans le modèle.

Retirer un item se justifie par son contenu, pas seulement par son chiffre : on ne retire pas des items jusqu'à ce que tout passe.

Un construit réduit à deux items reste utilisable, mais fragile : dites-le.

Chaque retrait s'écrit dans le dossier, avec sa raison et les indices avant et après.

Si rien ne passe, vos items ne mesurent pas ce que vous pensiez : analysez-les un par un, comme des variables simples, et écrivez-le comme une limite.

Le modèle structurel
Relier les construits
Version artisanalecondition_A (0 ou 1)AttitudeValeurIntentionβ = 0,28β = 0,43β = 0,39β = 0,45Chaque flèche est une hypothèse ; chaque β est standardisé (en écarts-types).
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard. Mesure et structure estimées ensemble par semopy : CFI = 1,00, RMSEA = 0,01.

Une fois la mesure validée, le modèle structurel relie les construits entre eux, comme une régression, mais entre variables latentes.

L'exemple suppose que la version artisanale augmente la valeur perçue, qui augmente l'intention d'achat ; l'attitude envers les chocolats, qui existait avant l'étude, joue sur les deux.

La version vue entre dans le modèle comme une variable qui vaut 1 pour la version artisanale et 0 pour la standard : condition_A.

Chaque flèche porte un bêta standardisé : de combien d'écarts-types bouge la cible quand la source bouge d'un écart-type.

Sur l'exemple, à attitude égale, la version artisanale élève la valeur perçue (β = 0,28), qui élève l'intention (β = 0,39) ; les quatre liens sont significatifs.

Le modèle se dessine avant de s'estimer : chaque flèche est une hypothèse, justifiée par la littérature ou par votre raisonnement, jamais par les données.

L'effet indirect, par bootstrap
Les 5 000 valeurs de a × b, chacune sur 163 répondants tirés au hasard avec remise parmi les 163-0,10,00,10,20,30,40,5zéro2,5 % : 0,0797,5 % : 0,35effet indirect a × b, en points d'intention (échelle de 1 à 7)
Jeu d'exemple fictif du squelette : un coffret de chocolats à 45 €, version artisanale ou standard. Comme PROCESS, modèle 4, sur les scores moyens des construits, l'attitude en contrôle.

L'effet de la version sur l'intention passe-t-il par la valeur perçue ?

C'est la médiation du CM 2 : l'effet indirect est le produit a × b.

Pour le tester, on ne lit pas une p-value : on tire 5 000 échantillons au hasard parmi vos répondants, avec remise, on recalcule a × b à chaque fois, et on regarde où tombent 95 % des valeurs.

C'est le bootstrap, la méthode de la macro PROCESS d'Andrew Hayes, que le squelette reproduit.

Sur l'exemple, a = 0,54 et b = 0,36, donc a × b = 0,19 point d'intention, avec un intervalle de 0,07 à 0,35 : il ne contient pas zéro, la médiation est établie.

L'effet direct qui reste, c′ = 0,14, n'est pas significatif (p = 0,338) : l'effet de la version sur l'intention passe pour l'essentiel par la valeur perçue.

C'est le pourquoi que l'étape Perception de votre questionnaire devait apporter : la variation donne envie d'acheter parce qu'elle augmente la valeur perçue.

Ce qui va dans votre dossier de Prix
Une étape, un paragraphe
ÉtapeCe que vous écrivez
Nettoyageréponses reçues, chaque retrait et sa raison, effectif final par version
Manipulationles deux moyennes, t de Welch, p, d de Cohen, et le verdict
Tirage au sortles profils comparés, et toute différence significative
Test A/Bpour chaque variable dépendante : le test, p, la taille d'effet, la puissance
Prixla courbe de Van Westendorp, sa zone et ses points ; la table de Gabor-Granger et le prix de marge maximale
Échellesl'item, sa source, son poids ; alpha, CR, AVE, HTMT, les indices d'ajustement ; tout item retiré, et pourquoi
Modèlele schéma avec ses β, l'effet indirect et son intervalle de confiance

Chaque étape du squelette donne un paragraphe de votre dossier, et chaque test s'écrit en une phrase : le résultat, sa taille d'effet, sa conclusion.

Un chiffre sans sa taille d'effet ne dit pas si le résultat compte ; un test sans sa puissance ne dit pas ce que vaut un résultat non significatif.

Les sorties du squelette ne se collent pas telles quelles : vous choisissez ce qui répond à votre question, et vous l'expliquez.

Venez me voir avec vos sorties : c'est le moment, avant la soutenance du 25 novembre.

← CM 2 · Du questionnaire à la régressionTD 2 · On pratique →