Smart PLS
C’est un logiciel utilisé pour la modélisation par équations structurelles.
Construction du modèle structurel, qui montre les relations entre les variables
latentes de notre modèle.
Le modèle contient :
- Des relations directes : entre les facteurs latents.
- Des relations indirectes : qui passent par un médiateur.
- Les items : liés à chaque facteur latent
La médiation : est une relation indirecte qui passe par un intermédiaire appelé
un médiateur, exemple : A influence B et B influence C, on peut dire qu’il existe
une relation entre A et C à travers B (médiateur), et si on a déjà une relation
directe entre A et C, on peut calculer l’effet total de A sur C, qui est la somme
des effets directes ( A sur C) et les effets indirectes (A sur B sur C), on peut
mesurer ce dernier par ( effet de A sur B * effet de B sur C )si elle est positif on
peut conclure qu’il y a une médiation , (un effet indirectes).
Les étapes d’une analyse PLS-SEM avec Smart PLS
1- Construction du modèle :
Étapes :
Tracer les items et les variables latentes
ü Les connecter
2- Analyse de la fiabilité et validité des echelles de mesure
Convergente :
Pour s’assurer que chaque variable latente est bien mesurée par les items,
mesure la fiabilité et la validité convergente.
Les indices de fiabilité vérifient si les questions mesurent bien la même chose.
L’indice de validité mesure si un construit explique suffisamment la variance de
ses items, donc si les items convergents vers le même concept.
Loadings :
Étapes :
ü Calculate
ü Pls-SEM algorithm
Il faut que la valeur être supérieure à 0,7. Les valeurs dont la valeur est inférieure à 0,7, on
doit les éliminer.
Rho-A :
Dites si les questions du groupe vont bien ensemble. Il mesure la cohérence interne des items qui
mesurent une même variable latente.
Si les questions sont cohérentes, ça veut dire qu’elles mesurent bien la même idée.
Plus grand que 0,7
Rho-A= 0,786, une valeur considérée comme bonne car elle est sup à 0,7. Cela indique que
les items associés au construit ont une bonne consistance interne et mesurent bien la même notion.
Rho-c :
C’est pareil que Rho-a, mais calculé un peu différemment.
Cela veut dire que les questions de ton questionnaire ou les items de ta variable sont bien liés entre
eux, ils mesurent bien la même idée.
Plu grand que 0,7
AVE :
Indique si la variable explique bien les questions qui la mesurent.
Par exemple, si l’AVE est élevé, ça veut dire que la variable est bien représentée par ses questions.
Plus que 0,5
AVE= Une valeur de 0,602 est bonne, car elle est supérieure à 0,5, ce qui signifie que plus de 50 % de
la variance des questions est bien expliquée par la variable.
3- L’analyse de validité discriminante des construit
4- Tableau des Outer loadings :
Étapes :
ü Outer loadings
ü Matrix
Outer loadings : sont les corrélations entre un item, sert à valider la qualité de mesure. Un bon seuil :
Outer loading sup ou égale à 0,7
Outer loading : corrélation d’item avec son propre facteur
CFI EDF1 FIN1 IF1 IFN1
CFI1 0.940
CFI2 0.948
CFI3 0.830
EDF1 0.810
EDF2 0.788
EDF3 0.809
FIN1 0.761
FIN2 0.833
FIN3 0.845
IF1 0.736
IF2 0.792
IF3 0.767
IF4 0.807
IFN1 0.936
IFN2 0.947
IFN3 0.815
5- Cross loading :
C’est un tableau qui montre les charges de chaque item sur tous les construits du modèle, pas
seulement le sien.
Outer loading : correlation item avec tous les facteurs.
Élimination des données non significatives, qui ont une valeur moins de 0,5.
Étapes :
ü Calculate
ü Pls-SEM algorithm
ü Discrimanant validity
ü Cross loadings
Vérifier la qualité psychométrique (fornell) Validité discriminante
C’est une méthode pour vérifier que chaque construit latent est bien distinct des autres, c’est-
à-dire qu’il mesure quelque chose d’unique.
Étapes :
ü Calculate
ü PLS-SEM algorithm
ü Discriminant validity
ü FORNELL – Larcker criterion
Vérifier les variables diagonales qui doivent être supérieur à 0,5
L’analyse du modèle interne
6- Test VIF (variance inflation factor)
Il mesure si les variables indépendantes sont trop corrélées entre elles.
Une colinéarité trop élevée peut fausser les résultats (effets gonflés, instabilité des
coefficients).
- Un VIF inférieur à 5, pas de colinéarité
- Un VIF sup à 10 , colinéarité sévère
Étapes :
ü Calculate
ü PLS-SEM algorithm
ü Collinerity statistics VIF
7- R² (coefficient de détermination) :
R² mesure la part de variance expliquée par les variables indépendantes sur la variable
dépendante.
R² > 0,10 : cela signifie que l’explication est acceptable.
• Plus R² est proche de 1, plus le modèle explique bien la variable.
R²=0,423, donc les variables indépendantes expliquent d’une manière significative la variable
dépendante.
8- Effet de taille : (F SQUARE)
C’est un indicateur qui permet de mesurer l'effet d'une variable indépendante X sur une variable
dépendante Y. Il indique l’importance de l’effet : est-ce que X a un effet petit, moyen ou grand sur Y ?
ü Proche de 0 : effet nul
ü Sup à 0,1 : faible
ü Entre 0,15 et 2 : effet moyen
f-square Effet
CFI -> FIN1 0.000 Nulle
EDF1 -> FIN1 0.200 FAIBLE
FIN1 -> IF1 0.734 MOYEN
IFN1 -> FIN1 0.000 Nulle
Étapes :
ü Calculate
ü PLS-SEM algorithm
ü Quality criteria
ü F square
ü List
Chi 2 SUPERIEUR A 0 POUR DIRE QUE LES VARIABLE SONT INDEPENSANT
4- le pouvoir prédictible du modèle
VERIFIER SI NOTRE MODELE PRESENTE UN POUVOIR
PREDICTIBLE IL FAUT VERIFIER QUE LA VALEUR DE K2
N’est pas nul
9- Bootstrap et validation des hypothèses:
Le Bootstrapping permet de valider ou rejeter les hypothèses de ton modèle structurel :
• Si la relation est significative (inf à 0,5) ✅ hypothèse validée
• Sinon ❌, hypothèse non confirmée
Étapes :
ü Calculate
ü Boostraping
ü Total effects
Pour valider les hypothèses, il faut la valeur de P value doit être inférieur à 0,5
• H1 : CFI sur IF – Refuser
• H2 : EDF sur IF – Accepter
• H3 : IFN sur IF – Refusée
• H4 : FIN sur IF : Acceptée
• H5 : CFI sur IF SUR IF : REFUSÉE
• H6 : EDF sur FIN sur IF : ACCEPTER
• H7 : IFN SUR FIN SUR IF : ACCEPTER
