Aller au contenu principal
XLSTAT rejoint le groupe Lumivero - En savoir plus.

PLS-PM dans Excel : classification REBUS

Segmentation REBUS-PLS

XLSTAT est le premier logiciel à mettre à la disposition des utilisateurs la méthode de segmentation REBUS-PLS (REsponse-Based procedure for detecting Unit Segments in PLS path modelling) développée par V. Esposito Vinzi et al.(2008). L’approche PLS permet de visualiser des relations entre des concepts non observables appelés variables latentes en utilisant un algorithme itératif basé sur des estimations par moindres carrés successives. Vous pourrez trouver des détails sur l’application de l’approche PLS dans le tutoriel Créer et exécuter un modèle PLS-PM simple ainsi que dans l’aide de XLSTAT.

Nous présentons ici une application spécifique de l’approche PLS lorsqu’on suppose qu’il existe une hétérogénéité au niveau des observations. Ceci revient à dire qu’il existe des classes d’observations qui n’ont pas le même comportement sur un modèle prédéfini. Nous prendrons un exemple dans le cadre de l’analyse de la satisfaction des consommateurs avec le modèle ECSI comme dans le tutoriel général.

Le module PLSPM de XLSTAT permet de construire les classes de manière itérative en utilisant la méthode REBUS (voir l’aide d’XLSTAT ou Esposito Vinzi et al. (2008)). L’indice utilisé pour différencier les classes est appelé CM index.

Pour obtenir des détails sur ces procédures, veuillez vous référer à l’aide de XLSTAT.

L’application de la méthode REBUS avec le module XLSTAT-PLSPM

Nous prendrons le même exemple que dans le tutoriel sur l’approche PLS. Le nouveau fichier peut être téléchargé en cliquant sur le lien ci-dessus.

La première étape consiste à passer en mode d’affichage expert. Dans le menu XLSTAT, cliquez sur XLSTAT-PLSPM, puis sur Options XLSTAT-PLSPM.

plspmrebus1f.gif

La boîte de dialogue suivante apparaît :

plspmrebus2f.gif

Sélectionnez le mode expert et sauvegardez.

Créez un modèle en vous aidant du tutoriel général et en utilisant la feuille PLSPMGraph, les données et le modèle ECSI :

plspm1f.gif

Cliquez alors sur lancer les calculs dans la barre d’outils path modeling. Activez l’option REBUS en bas à gauche de la boîte de dialogue. Un nouvel onglet nommé REBUS apparaît :

plspmrebus3f.gif

Sélectionnez la troncature automatique, ainsi, c’est au cours de la classification ascendante hiérarchique que le nombre de classes sera évalué. Le seuil choisi est de 95 %, ceci veut dire que lorsque plus de 95 % des observations ne changeront plus de classe d’une itération à la suivante, alors l’algorithme s’arrêtera.

plspmrebus4f.gif

Résultats et interprétation des sorties de la méthode REBUS avec XLSTAT-PLSPM

Quatre nouvelles feuilles apparaissent en supplément des feuilles D1 et PLSPMGraph :

  • REBUS : les sorties associées à la méthode REBUS
  • PLSPM(1) : les résultats complets associés à la première classe d’observations
  • PLSPM(2) : les résultats complets associés à la deuxième classe d’observations
  • PLSPM(3) : les résultats complets associés à la troisième classe d’observations

La première feuille donne tout d’abord le dendrogramme obtenu avec la classification ascendante hiérarchique et avec la troncature effectuée.

plspmrebus5f.gif

Ensuite pour chaque observation, la classe d’appartenance est donnée. Finalement le tableau du CM index pour chaque observation et chaque classe est affiché.

plspmrebus6f.gifplspmrebus7f.gif

Les trois feuilles suivantes peuvent être analysées indépendamment de la même façon que dans le tutoriel sur l’approche PLS.

On a ainsi obtenu 3 classes d’observations qui ont des comportements différents sur le même modèle. Ainsi, pour la classe 1, la satisfaction est expliquée très fortement par la qualité perçue au détriment de l’image, par contre l’image et la satisfaction ont des effets similaires sur la fidélité. Pour la classe 2, la satisfaction est aussi expliquée surtout par la qualité perçue, par contre la fidélité est surtout expliquée par la satisfaction et l’image a un impact non significatif sur la fidélité. Finalement, la troisième classe se différencie sur la satisfaction pour laquelle aucune variable latente explicative ne ressort plus qu’une autre, de même pour la fidélité.

On pourrait par la suite appliquer des tests de comparaison de groupes en utilisant ces classes.

Cet article vous a t-il été utile ?

  • Oui
  • Non