7.1.2 Evaluation du modèle proposé

Plusieurs analyses ont été faites pour déterminer si le modèle proposé ne s’oppose pas aux données collectées. Dans un premier temps, nous avons utilisé le Khi-deux (²) avec ses valeurs de P associé pour déterminer le fit. Toutefois, comme Joreskog & Sorbom l’observent « …depuis ² est N–1 fois la valeur minimum de la fonction de la fit, la valeur de ² est plus grande avec un grand échantillon qu’avec un petit échantillon (1993 : 309) ». A cause des effets minimes de notre relativement petit échantillon (171) sur des valeurs de ² (et des valeurs de P associées), nous avons utilisé d’autres indices de fit pour évaluer le fit du modèle proposé à partir des propositions de plusieurs chercheurs de disciplines variées. Les indices de fit qui ont été choisis étaient: the goodness-of-fit index, adjusted goodness-of-fit index, the normed fit index, the non-normed fit index, the comparative fit index, et the critical N statistic. La variation des valeurs de ces analyses est de zéro à 1,0. La valeur près de 1 signale un bon fit. Une valeur de 200 ou plus est considérée comme suffisante pour the critical N statistic (Alwin & Hauser, 1975; Agresti, 1996).

Nous avons employé les tests de fiabilité et validité pour déterminer si les items utilisés étaient satisfaisantes pour cette étude. La fiabilité, calculée en utilisant le LISREL, est analogue au Coefficient Alpha. Discriminant validity a été déterminée pour toutes les paires de questions possibles en limitant la corrélation des paramètres estimés entre lui à 1,0. Ensuite l’analyse de ² a été utilisée pour tester les divergences sur les valeurs obtenues pour les deux modèles, le constrained model et l’unconstrained model. Les valeurs de bases de ² dans l’unconstrained model montrent que la discriminant validity est obtenue (Alwin & Hauser, 1975; Agresti, 1996).

Toutes les questions qui demeuraient après cette étape sont présentées dans le tableau 6.2. Toutes les valeurs de fiabilité étaient supérieures à 0,6 sauf pour l’état de l’économie locale perçue et le soutien au tourisme d’affaires qui ont respectivement des valeurs de 0,52 et 0,56. Les indices de fit des quatre modèles apparaissent dans le tableau 6.3. Les indicateurs de residual, root mean square residuals, standardised root mean square residual et root mean square error of approximation ont été respectivement de 0,035; 0,040 et 0,034. Par ailleurs, la validité a été établie pour tous les indicateurs de chaque question en comparant leur estimated pattern coefficient avec son standard error (Alwin & Hauser, 1975; Agresti, 1996). Le détail des caractéristiques de ces variables est présenté dans le tableau 7.2.

Tableau 7.2 : Caractéristiques d’échelle d’analyse

En utilisant le Two-Step Approach, les cinq Nested Models ¹¹⁴ ont été évalués pour identifier le meilleur modèle par rapport à la situation dans la région d’Amboseli (tableau 6.3). Le premier modèle est le Null Model (Mn) dans lequel tous les paramètres reliés des différentes questions sont fixés au niveau zéro. Le second modèle est le Theoritical Model (Mt) qui est illustré par la figure 3.3. Du point de vue théorique, le Constrained Model (Mc) est le modèle le plus adéquat après le modèle Mt. Il est similaire au modèle Mt mais un ou plusieurs paramètres qui sont soulignés dans le modèle Mt sont fixés à zéro. Dans le Constrained Model (Mc), quatre des quinze paramètres proposés sont fixés à zéro et une probabilité additionnelle d’attitude « écocentrique » au soutien du développement du tourisme a été évaluée. Les probabilités qui sont fixées à zéro sont :

• l’attachement de la communauté locale aux effets positifs perçus et aux effets négatifs perçus,
• l’attachement à la communauté locale à l’état de l’économie locale aux effets positifs perçus et aux effets négatifs perçus, et
• l’utilisation des ressources de base du tourisme par les habitants aux effets positifs et négatifs.

L’autre modèle possible à perspective théorique est l’Unconstrained Model (Mu). Ici, un ou plusieurs des paramètres qui ont été fixés au point zéro dans le modèle Mc sont estimés. D’ailleurs, deux paramètres additionnels, l’attitude écocentrique et l’utilisation des ressources de base du tourisme par la communauté locale ont été estimés. Le dernier modèle, le Saturated Model (Ms), estime tous les paramètres reliés l’un à l’autre (Alwin & Hauser, 1975; Agresti, 1996).

Tableau 7.3 : Indices de fit de Nested Models (n=171)a

Comme nous l’avons évoqué dans les lignes précédentes, plusieurs tests ont été faits pour fournir l’information de fit respectif. Les résultats des différences de ² séquentielle a montré une différence significative (P < 0,05) dans les valeurs de ² entre le Theoritical Model (Mt) et le Saturated Model (Ms), qui a la valeur la plus petite de tous les modèles au niveau de la probabilité de 0,05 (Mt - Ms ² différence(8) = 18,71 ; P = 0,05). Cela signifie que le modèle théorique (Mt) a été « ill fitted » par rapport au Saturated Model (Ms). D’autre part, les valeurs de ² du Constrained Model (Mc), (Mc - Ms² différence(11) = 15,12 ; P = 0,05) et l’Unconstrained Model (Mu), (Mu - Ms² différence(4) = 5,78; P = 0,32) n’ont pas montré une différence significative de la valeur de ² du Saturated Model (Ms). De plus, il n’y a pas eu de différence significative (P < 0.05) dans les résultats d’analyse de ² entre le Constrained Model (Mc) et l’Unconstrained Model (Mu) au niveau de la probabilité de 0,05 (Mc - Mu² différence(8) = 9,34; P = 0,10).

Bien que l’Unconstrained Model (Mu) ait eu une valeur de ² inférieure (mais son infériorité n’a pas été significative), le Constrained Model (Mc) a été sélectionné comme le meilleur modèle à cause de la supériorité de sa valeur de Parsimony Normed Index (0,82). Par conséquent, le Constrained Model (Mc) a besoin d’un paramètre moins grand que les autres pour évaluer le soutien au développement du tourisme par la communauté locale (cf. figure 3.3).

Figure 7.1 : Modèle modifié (Constrained Model)

Source : Elaboration personnelle