Résultats

Considérant qu’un comportement endosse un niveau de valorisation spécifique, nous traiterons chaque comportement indépendamment des autres, afin de servir la mise à l’épreuve de H1A selon laquelle la valorisation des comportements module l’impact des variables sociales dans la prédiction de l’intention comportementale et de mettre en évidence H2A selon laquelle les variables sociales (i.e. normes subjectives, image et identité) n’ont pas toutes le même impact selon la variation de valorisation des comportements dans la prédiction de l’intention comportementale. Pour tester ces hypothèses, nous suivrons la procédure d’analyses statistiques en deux étapes détaillée dans l’encadré 3 (ci-après). Cette procédure permet de réaliser des séries de régressions hiérarchiques concourant aux tests des trois modèles comparés pour chacun des six comportements de l’étude 1. C’est alors en suivant l’ordre de ces étapes que nous présenterons les résultats en termes de pourcentage de variance de l’intention comportementale prédite par les variables sociales. À la lumière de ces résultats nous conclurons quant à la validation de H1A et de H2A. Nous présenterons les résultats, pour les six comportements testés en commençant par les comportements plus valorisés pour aller vers les comportements les plus dévalorisés. Notons que les hypothèses (H1A et H2A) ne portant pas sur l’effet de l’attitude ou du contrôle comportemental perçu sur l’intention comportementale, ni même sur le pourcentage de variance total expliqué de l’intention comportementale, nous ne nous attarderons pas sur ces valeurs.

Encadré 3 Procédure d’analyses statistiques pour réaliser les séries de régressions hiérarchiques Les analyses de régression hiérarchiques multiples sont réalisées en deux temps.

Dans un premier temps, nous avons d’abord fait une description des qualités psychométriques de chaque jeu de données.

Puis dans un second temps, nous avons testé la validité des modèles via une série de régressions hiérarchiques.

Les régressions hiérarchiques ont été réalisées sur l’intention comportementale qui est la variable prédite pour chacun des trois modèles TCP1, TCP2 et TCP3 et pour chacun des comportements.

Pour réaliser l’ensemble des régressions hiérarchiques nous avons au préalable centré-réduit les scores de l’ensemble des composantes des modèles de sorte à réduire les effets possibles de la multi colinéarité (voir Dunlap et Kemery, 1987). Plus exactement, le modèle TCP1 inclut en facteurs prédicteurs de l’intention comportementale : attitude, contrôle comportemental perçu et normes subjectives, ensuite le modèle TCP2 inclut en facteurs prédicteurs de l’intention comportementale : l’attitude, le contrôle comportemental perçu et l’image, enfin le modèle TCP3 prend en compte l’attitude, le contrôle comportemental perçu et l’identité personnelle pour prédire l’intention comportementale

Pour chacun de ces modèles, l’analyse hiérarchique est réalisée en deux temps : Tout d’abord, est introduit l’ensemble des prédicteurs du modèle. Le R² correspondant au modèle s'interprète en termes de pourcentage de la variance de la VD (i.e. l’intention comportementale). La VD est alors expliquée par l'ensemble des VI considérées (e.g. pour le modèle TCP1 : attitude, contrôle comportemental perçu et normes subjectives). La valeur du test F associée au R² indique si la contribution de l'ensemble des VI à la variance de la VD est significative (Howell, 1998, p. 594).

Puis, dans un second temps, seuls l’attitude et le contrôle comportemental perçu sont introduits afin d’observer par induction la variation du R² (ΔR²). La procédure de régression pas à pas avec la méthode remove permet de différencier la part de variance éventuellement expliquée de la variable retirée. En ce sens, nous conviendrons d’interpréter la variation du R² (étant le carré des corrélations semi- partielles et en dépit du fait qu’elle peut masquer un chevauchement de variance des VI) en termes de pourcentage de variance expliquée spécifique à la VI retirée à l’explication de la VD du modèle (e.g. pour le modèle TCP1, la ΔR² sera la contribution spécifique des normes subjectives à la variance de l’intention comportementale).

6.2.3.1. Analyse des comportements valorisés

Nous avons analysé les deux comportements valorisés indépendamment l’un de l’autre. Pour réaliser ces analyses, nous avons opéré en deux temps. Dans un premier temps nous avons mené une analyse descriptive des qualités psychométriques des composantes introduites dans la prédiction comportementale. Puis dans un second temps, nous avons testé de la validité de la structure du modèle TCP1, puis du modèle TCP2 et enfin du modèle TCP3. Les analyses descriptives (moyenne, écart-type), corrélationnelles et analyses de l’homogénéité des variables introduites dans chaque modèle d’explication sont présentées pour les comportements « utiliser son clignotant pour indiquer un changement de direction » et « laisser la priorité à droite » (voir respectivement les Tableaux 9 et 10, ci-dessous).

Tableau 9 Statistiques descriptives étude 1- Moyennes, écarts-types et corrélations des composantes pour le comportement utiliser son clignotant pour indiquer un changement de direction

Composantes items Moyenne Ecart-

type

Alpha de Cronbach

a 1 2 3 4 5

1 Attitude Att2 6.80 0.82 1 -

2 Normes subjectives Ns1 4.41 1.83 0.80 .193* -

Ns2 Ns3

3 Contrôle C1 6.42 1.47 1 .536** .271** -

4 Image Im 1 3.39 1.86 0.47** .055 .309** .180 -

Im 2

5 Identité personnelle Ide3 5.16 1.93 1 .147 .482** .175 .414** -

6 Intention comportementale

Ic1 6.00 1.22 0.50 .248** .228* .376** .158 .310**

Ic2 Ic3 Note. * p < .05, ** p < .01, *** p < .001

a : dans le cas de deux variables pour une composante, c’est le coefficient de corrélation de Pearson qui est présenté

Tableau 10 Statistiques descriptives étude 1- Moyennes, écarts-types et corrélations des variables pour le comportement laisser la priorité à droite

Composantes items Moyenne Ecart-

type

Alpha de Cronbach

a 1 2 3 4 5

1 Attitude Att1 6.13 1.26 0.64** -

Att2

2 Normes subjectives Ns1 4.08 1.84 0.91 .172 -

Ns2 Ns3

3 Contrôle C1 6.34 1.08 1 .549** .101 -

4 Image Im 1 1.21 1.53 0.39** .194* .501** .112 -

Im 2

5 Identité personnelle Ide3 5.00 1.79 1 .338** .590** .180 .461** -

6 Intention comportementale

Ic1 5.70 1.22 0.52 .399** .340** .565** .223* .312**

Ic2 Ic3 Note. * p < .05, ** p < .01, *** p < .001

a : dans le cas de deux variables pour un construit, c’est le coefficient de corrélation de Pearson qui est présenté

Les valeurs des alphas de Cronbach sont acceptables pour les deux comportements si on considère l’étude comme étant une recherche préliminaire (cf. Encadré 4, ci-après). Les matrices de corrélations bivariées (cf. Tableaux 9 et 10, ci-dessus) nous renseignent sur chaque variable de la TCP (attitude, contrôle comportemental perçu, normes subjectives, image, identité personnelle et intention comportementale). Ces variables sont corrélées avec l’intention comportementale

(excepté entre l’intention comportementale et l’identité personnelle dans le cas du comportement

« utiliser son clignotant pour indiquer un changement de direction »). Nous observons aussi que les normes subjectives sont corrélées avec l’image à hauteur de r = .50, p < .01⁸⁶ et r = .31, p < .001 (respectivement pour les comportements « laisser la priorité à droite » et « utiliser son clignotant pour indiquer un changement de direction », cf. Tableaux 9 et 10, ci-dessus). De plus, nous observons que les normes subjectives sont corrélées avec l’identité personnelle r = .59, p < .01 ; r = .48, p < .01 (respectivement pour les comportements « laisser la priorité à droite » et

« utiliser son clignotant pour indiquer un changement de direction », cf. Tableaux 9 et 10, ci- dessus). Enfin, nous observons que l’image est corrélée avec l’identité personnelle, r = .46, p < .01 ; r = .41, p < .01 (respectivement pour les comportements « laisser la priorité à droite », et

« utiliser son clignotant pour indiquer un changement de direction », cf. Tableaux 9 et 10, ci- dessus). Ces corrélations sont significatives, mais elles sont considérées comme des valeurs faibles ou modérées, au sens où elles sont comprises entre .30 et .70. Nous poursuivrons alors en considérant ces composantes correspondant aux normes subjectives, à l’image et à l’identité personnelle comme proches statistiquement sans pour autant se confondre.

Encadré 4 Les critères d’estimation de la qualité de la consistance interne (Nunnaly, 1967 dans Peterson, 1994)

Dans le but de disposer d’une mesure valide d’une composante d’un modèle il convient de disposer de plusieurs items qui concourent à sa mesure, ces items devant permettre in fine de calculer un score. C’est dans le but d’évaluer la qualité attribuable à ce score qu’est calculé un indice de consistance interne à partir de l’alpha de Cronbach. Selon Nunally (1967, dans Peterson, 1994), différentes valeurs de l’alpha de Cronbach peuvent être considérées comme acceptables en fonction du type d’étude menée. Plus exactement, pour des recherches préliminaires, les valeurs proposées par Nunally comme étant acceptables sont comprises entre 0.50 et 0.60. Pour des recherches non appliquées, le seuil acceptable de l’alpha de Cronbach passe à 0.80. Enfin, pour des recherches appliquées, le seuil atteint 0.90 et 0.95. Ce n’est qu’en 1978 que Nunnaly fait passer la valeur acceptable de l’alpha de Cronbach au-dessus du seuil de 0.70 pour tous types de recherches sans en préciser les raisons.

86 Dans ce manuscrit nous utiliserons le seuil de 0.05 pour considérer un résultat comme significatif. « Pour précision, le seuil de 0.05 n’est qu’une création de la culture, il n’a pas été révélé par une quelconque divinité statistique. (…) En vérité, nous devons le seuil de 0.05 à Sir Ronald Fisher en 1925 dans son livre Statistical Methods for research workers », William Fox (dans Statistiques sociales, 1999 p. 152).

Puis, nous avons réalisé une série d’analyses de régressions hiérarchiques sur l’intention comportementale des comportements « utiliser son clignotant pour indiquer un changement de direction » et « laisser la priorité à droite » (cf. Tableau 11, ci-après). Pour ces deux comportements, nous allons détailler les résultats de chaque modèle : modèle TCP1, modèle TCP2 et modèle TCP3.

Tableau 11 Analyses de régressions hiérarchiques des comportements valorisés testés dans l'étude 1 Régressions hiérarchiques sur l’intention d’utiliser son clignotant pour indiquer un

changement de direction Régressions hiérarchiques sur l’intention de laisser la priorité à droite

Étapes Modèle TCP1 Modèle TCP2 Modèle TCP3 Étapes Modèle TCP1 Modèle TCP2 Modèle TCP3

Prédicteurs β Prédicteurs β Prédicteurs β Prédicteurs β Prédicteurs β Prédicteurs β

Étape 1 Attitude .057 Attitude .072 Attitude .047 Étape 1 Attitude .080 Attitude .098 Attitude .044

CCP .312** CCP .318** CCP .307** CCP .493*** CCP .494*** CCP .549***

Normes

subjectives .121 Image .108 Identité

personnelle

.249** Normes

subjectives .277*** Image .148 † Identité

personnelle .198*

R² total .158 .156 .204 R² total .404 .351 .415

R² ajusté total .135 .133 .183 R² ajusté total .388 .334 .399

ddl 3/111 3/111 3/111 ddl 3/111 3/111 3/109

F 6.93*** 6.82*** 9.50*** F 25.12*** 20.04*** 25.74***

Étape 2 Attitude .066 Attitude .066 Attitude .066 Étape 2 Attitude .126 Attitude .126 Attitude .126

CCP .341*** CCP .341*** CCP .341*** CCP .495*** CCP .495*** CCP .495***

R² .144 .144 .144 R² .330 .330 .380

R² ajusté .129 .129 .129 R² ajusté .318 .318 .369

ddl 2/112 2/112 2/112 ddl 2/112 2/112 2/110

F 9.44*** 9.44*** 9.44*** F 27.60*** 27.60*** 33.70***

Normes

subjectives Image Identité

personnelle

Normes

subjectives Image Identité

personnelle

Δ R² -.014 -.011 -.060 Δ R² -.074 -.021 -.035

Δ F 1.79 1.48 8.38** Δ F 13.63*** 3.61† 6.479*

Note. † p < .10, * p < .05, ** p < .01, *** p < .001

6.2.3.1.1. Analyses du comportement « utiliser son clignotant pour indiquer un changement de direction » par régressions hiérarchiques.

Test du modèle TCP1. Au premier pas de l’analyse, l’attitude, le CCP et les normes subjective prédisent 16 % de la variance de l’intention comportementale, F(3,112) = 6.93, p < .001. Dans ce cas, l’analyse révèle que seul le CCP est prédictif de l’intention comportementale, β = .312, t(111) = 2.97, p < .01, l’attitude, β = .057, t(111) = 0.55, p = .580, et les normes subjectives, β = .121, t(111) = 1.24, p = .184, n’intervenant pas. Au second pas de l’analyse, le même modèle sans les normes subjective permet pour sa part de prédire 14 % de la variance de l’intention comportementale, F(2,111) = 9.44, p < .001. De là, les normes subjectives ne contribuent pas significativement à la prédiction de l’intention comportementale (ΔR² = -.014), F(1,111) = 1.79, p = 0.184.

Test du modèle TCP2. Au premier pas de l’analyse, l’attitude, le CCP et l’image prédisent 16 % de la variance de l’intention comportementale, F(3,111) = 6.82, p < .001. Dans ce cas, l’analyse révèle que le seul prédicteur de l’intention comportementale est le CCP, β = .318, t(111) = 3.03, p < .01 ; l’attitude, β = .072, t(111) = 0.70, p = .489, et l’image, β = .108, t(111) = 1.22, p = .226, n’intervenant pas dans la prédiction. Au second pas de l’analyse, le même modèle sans l’image permet pour sa part de prédire 14 % de la variance de l’intention comportementale, F(2,112) = 9.44, p < .001. Ainsi, l’image n’a pas de contribution spécifique à la prédiction de l’intention comportementale (ΔR² = -.011), F(1,111) = 1.48, p = .226.

Test du modèle TCP3. Au premier pas de l’analyse, l’attitude, le CCP et l’identité personnelle prédisent 20 % de la variance de l’intention comportementale, F (3, 111) = 9.50, p < .001. Dans ce cas, l’analyse révèle que le CCP, β = .307, t(111) = 3.04, p < .01, et l’identité personnelle, β = .249, t(111) = 2.89, p < .001, sont tous deux prédicteurs de l’intention comportementale ; l’attitude n’intervenant pas, β = .047, t(111) = 0.46, p = .642. Au second pas de l’analyse, le même modèle sans l’identité personnelle permet pour sa part de prédire 14 % de la variance de l’intention comportementale, F (2,112) = 9.44, p < .001. Par conséquent, la part de variance expliquée contributive et spécifique à l’identité personnelle est de 6 % (ΔR² = -.060), F(1,111) = 8.38, p < .01.

Les résultats du comportement « utiliser son clignotant pour indiquer un changement de direction » sont en accord avec H1A selon laquelle les comportements valorisés comme les comportements dévalorisés sont prédits par les variables sociales alors que ce n’est pas le cas des comportements neutres. En effet, « utiliser son clignotant pour indiquer un changement de direction » est un comportement valorisé et est effectivement expliqué par une variable sociale

(i.e. l’identité personnelle) à hauteur de 6 %. Cependant, ces résultats ne permettent pas de valider H2A⁸⁷ selon laquelle ce serait la variable image qui est supposée mieux prédire les comportements valorisés, parce que, selon ces résultats, la seule variable sociale prédictive du comportement « utiliser son clignotant pour indiquer un changement de direction » est l’identité personnelle.

6.2.3.1.2. Analyses du comportement « laisser la priorité à droite » par régressions hiérarchiques.

Test du modèle TCP1. Au premier pas de l’analyse, l’attitude, le CCP et les normes subjective prédisent 40 % de la variance de l’intention comportementale, F(3,111) = 25.1, p < .001. Dans ce cas, l’analyse révèle que le CCP, β = .493, t(111) = 5.62, p < .001, et des normes subjectives, β = .277, t(111) = 3.72, p < .001, sont tous deux prédicteurs de l’intention comportementale ; l’attitude n’intervenant pas dans la prédiction, β = .080, t(111) = .909, p = .366. Au second pas de l’analyse, le même modèle sans les normes subjectives permet de prédire 33 % de la variance de l’intention comportementale, F(2,112) = 27.6, p < .001. En conséquence, cette procédure met en lumière la part de variance contributive et spécifique des normes subjectives qui est de 7.4 % (ΔR² = -.074), F (1,111) = 13.63, p < .001.

Test du modèle TCP2. Au premier pas de l’analyse, l’attitude, le CCP et l’image prédisent 35 % de la variance de l’intention comportementale, F(3,111) = 20.04, p < .001. Dans ce cas, l’analyse révèle que seul le CCP, β = .494, t(111) = 5.40, p < .001, prédit l’intention comportementale ; l’image intervenant de manière marginale, β = .148, t(111) = 1.90, p = .60, et l’attitude n’intervenant pas, β = .098, t(111) = 3.69, p < .001. Au second pas de l’analyse, le même modèle sans l’image permet pour sa part de prédire 33 % de la variance de l’intention comportementale, F (2,112) = 27.61, p < .001. L’image est finalement considérée comme non contributive à la prédiction de l’intention comportementale (ΔR² = -.021), F(1,111) = 3.61, p = .60.

Test du modèle TCP3. Au premier pas de l’analyse, l’attitude, le CCP et l’identité personnelle prédisent 42 % de la variance de l’intention comportementale, F(3,109) = 25.74, p < .001. Dans ce cas, l’analyse révèle que le CCP, β = .549, t(109) = 6.20, p < .001, et l’identité, β = .198, t(109) = 2.55, p < .05, sont tous deux prédicteurs de l’intention comportementale ;

87 Nous ne conclurons pas quant à la significativité de ces différences entre les différentes ΔR². A cette fin, il conviendrait de réaliser des analyses complémentaires et d’établir un test de comparaison de modèle à partir du critère d’information d’Akaike (AIC), du critère d’information bayesien (BIC) et du test du rapport de vraisemblance (Akaike, 1974 ; Schwartz,1978 ; Pinheiro et Bates, 2000). Ces critères nous auraient permis de conclure quant à l’existence de différences statistiquement significatives.

l’attitude n’intervenant pas, β = .044, t(109) = .472, p = .638. Au second pas de l’analyse, le même modèle sans l’identité personnelle permet de prédire 38 % de la variance de l’intention comportementale, F(2,110) = 33.70, p < .001. De là, l’identité personnelle contribue de manière spécifique à la prédiction de l’intention comportementale à hauteur de 3.5 % (ΔR² = -.035), F(1,109) = 6.48, p < .05.

Les résultats du comportement « laisser la priorité à droite » sont en accord avec H1A selon laquelle les comportements valorisés comme les comportements dévalorisés sont prédits par les variables sociales alors que ce n’est pas le cas des comportements neutres. « Laisser la priorité à droite » est un comportement valorisé et il est effectivement prédit par deux variables sociales qui sont les normes subjectives et l’identité personnelle respectivement à hauteur de 7.4 et 3.5 %.

Cependant, ces résultats ne permettent pas de valider H2A selon laquelle ce serait la variable image qui est supposée le mieux prédire les comportements valorisés, parce que selon ces résultats seules les variables sociales prédictives du comportement « laisser la priorité à droite », sont les normes subjectives et l’identité personnelle, l’image n’ayant pas d’impact significatif.

6.2.3.2. Analyses des comportements neutres

Comme précédemment, nous avons analysé les deux comportements neutres de manière indépendante. Ces analyses se sont réalisées selon une démarche en deux temps (cf. Encadré 3, p. 116). Dans un premier temps, nous avons réalisé l’analyse descriptive des qualités psychométriques des composantes conduisant à la prédiction de chaque comportement. Ensuite dans un second temps, nous avons testé la validité de la structure du modèle TCP1, puis du modèle TCP2 et enfin du modèle TCP3. Les tableaux 12 et 13 (ci-après) présentent les analyses descriptives, corrélationnelles et les analyses de l’homogénéité des variables introduites dans chaque modèle d’explication, respectivement pour les comportements « rouler sur un long trajet sans faire de pause » et « suivre scrupuleusement les limitations de vitesse ».

Tableau 12 Statistiques descriptives étude 1- Moyennes, écarts-types et corrélations des variables pour le comportement rouler sur un long trajet sans faire de pause

Composantes items Moyenne Ecart-

type

Alpha de

Cronbach^a 1 2 3 4 5

1 Attitude Att1 2.81 0.82 0.56 -

Att2 Att3

2 Normes subjectives Ns1 1.41 0.73 0.71 .103 -

Ns2 Ns3

3 CCP C1 1.93 1.32 1 .206* .261** -

4 Image Im 1 1.64 0.96 0.39 .295** .379** .314** -

Im 2

5 Identité personnelle Ide3 1.93 1.32 1 .082 .442** .347** .348** -

6 Intention comportementale

Ic1 2.21 1.17 0.64

.337** .253** .561** .566** .623**

Ic2 Ic3 Note. * p < .05, ** p < .01, *** p < .001

a : dans le cas de deux variables pour une composante, c’est le coefficient de corrélation de Pearson qui est présenté

Tableau 13 Statistiques descriptives étude 1- Moyennes, écarts-types et corrélations des variables pour le comportement suivre scrupuleusement les limitations de vitesse

Composantes items Moyenne Ecart-

type

Alpha de

Cronbach^a 1 2 3 4 5

1 Attitude Att1 5.87 1.32 0.76** -

Att2

2 Normes subjectives Ns1 4.49 1.62 0.86 .357** -

Ns2 Ns3

3 CCP C1 6.24 1.17 1 .600** .389** -

4 Image Im 1 3.93 1.54 0.41** .482** .494** .270** -

Im 2

5 Identité personnelle Ide1 5.67 1.15 0.55 .657** .535** .480** .457** -

Ide2 6 Intention

comportementale

Ic1 5.26 1.33 0.51

.728** .392** .508** .350** .610**

Ic2 Ic3 Note. * p < .05, ** p < .01, *** p < .001

a : dans le cas de deux items pour une composante, c’est le coefficient de corrélation de Pearson qui est présenté

Nous avons considéré les matrices de corrélations bivariées (cf. Tableaux 12 et 13, ci- dessus) de chaque dimension de la TCP, dans lesquelles nous observons, pour chacun des deux comportements, que les dimensions (attitude, normes subjectives, contrôle comportementale perçu, image, identité personnelle) sont corrélées avec l’intention comportementale. Nous observons aussi que les normes subjectives sont corrélées avec l’image à hauteur de r = .38, p < .01 et r = .49, p < .01 (respectivement pour les comportements « rouler sur un long trajet sans faire de pause », cf. Tableau 12, ci-dessus et « suivre scrupuleusement les limitations de vitesse », cf. Tableau 13, ci-dessus). De plus, nous observons que les normes subjectives sont corrélées avec l’identité r = .44, p < .01 ; r = .54, p < .01 (respectivement pour les comportements « rouler sur un long trajet sans faire de pause », cf. Tableau 12 et « suivre scrupuleusement les limitations de vitesse », cf. Tableau 13). Enfin, nous observons que l’image est corrélée avec l’identité personnelle r = .35, p < .01 ; r = .46, p < .01 (respectivement pour les comportements « rouler sur un long trajet sans faire de pause », et « suivre scrupuleusement les limitations de vitesse »,

cf. Tableaux 12 et 13, ci-dessus). Ces corrélations sont certes significatives, mais de valeurs faibles et moyennes, au sens où elles sont comprises entre .35 et .60. De là, nous considérerons que ces trois composantes que sont les normes subjectives, l’image et l’identité personnelle, bien que corrélées, ne se confondent pas pour autant.

Ensuite, nous avons réalisé une série d’analyses de régressions hiérarchiques sur l’intention comportementale des comportements « suivre scrupuleusement les limitations de vitesse » et « rouler sur un long trajet sans faire de pause » (cf. Tableau 14, ci-après). Pour ces deux comportements, nous allons présenter les résultats des trois modèles testés : le modèle TCP1, le modèle TCP2 et le modèle TCP3.

Tableau 14 Analyses de régressions hiérarchiques des comportements neutres testés dans l'étude 1 Régressions hiérarchiques sur l’intention de suivre scrupuleusement les limitations de

vitesse Régressions hiérarchiques sur l’intention de rouler sur un long trajet sans faire de pause

Étapes Modèle TCP1 Modèle TCP2 Modèle TCP3 Étapes Modèle TCP1 Modèle TCP2 Modèle TCP3

Prédicteurs β Prédicteurs β Prédicteurs β Prédicteurs β Prédicteurs β Prédicteurs β

Étape 1 Attitude .634** Attitude .660*** Attitude .553** Étape 1 Attitude .226** Attitude .136 † Attitude .230**

CCP .074 CCP .112 CCP .082 CCP .488*** CCP . 408*** CCP .471***

Normes

subjectives .136 † Image .001 Identité

personnelle .220** Normes

subjectives .102 Image .398*** Identité

personnelle .122

R² total .553 .537 .564 R² total .376 .500 .379

R² ajusté total .541 .525 .553 R² ajusté total .359 .487 .362

ddl 3/113 3/113 3/113 ddl 3/112 3/112 3/112

F 46.53*** 43.74*** 48.79*** F 22.62*** 37.35*** 22.80***

Étape 2 Attitude .661** Attitude .661** Attitude .661** Étape 2 Attitude .232** Attitude .232** Attitude .232**

CCP .112 CCP .112 CCP .112 CCP .513*** CCP .513*** CCP .513***

R² .537 .537 .537 R² .366 .366 .366

R² ajusté .529 .529 .529 R² ajusté .355 .355 .355

ddl 2/114 2/114 2/114 ddl 2/113 2/112 2/113

F 66.19*** 66.19*** 66.19*** F 32.62*** 32.62*** 32.62***

Normes

subjectives Image Identité

personnelle

Normes

subjectives Image Identité

personnelle

Δ R² -.015 .00 -.027 Δ R² -.010 -.134 -.013

Δ F 3.88† .00 7.01*** Δ F 1.73 30.03*** 2.357

Note. † p < .10, * p < .05, ** p < .01, *** p < .001

6.2.3.2.1. Analyses du comportement « suivre scrupuleusement les limitations de vitesse » par régressions hiérarchiques.

Test du modèle TCP1. Au premier pas de l’analyse, l’attitude, le CCP et les normes subjectives prédisent 55 % de la variance de l’intention comportementale, F(3,113) = 46.53, p < .001. Dans ce cas, l’analyse révèle que seul l’attitude, β = .634, t(113) = 7.95, p < .001, est prédicteur de l’intention comportementale ; les normes subjectives ayant un effet marginalement significatif, β = .136, t(113) = 1.97, p = .051, et le CCP, β = .074, t(113) = 0.920, p = .359, n’intervenant pas. Au second pas de l’analyse, le même modèle sans les normes subjectives permet pour sa part de prédire 54 % de la variance de l’intention comportementale, F(2,114) = 66.19, p < .001. Par conséquent, les normes subjectives ont une contribution marginalement significative à la prédiction de l’intention comportementale de 1 % (ΔR² = -.015), F(1,113) = 3.88, p = 0.051.

Test du modèle TCP2. Au premier pas de l’analyse, l’attitude, le CCP et l’image permettent de prédire 54 % de la variance de l’intention comportementale, F(3,113) = 43.74, p < .001. Dans ce cas, l’analyse révèle que seul l’attitude prédit l’intention comportementale, β = .660, t(113) = 7.51, p < .001 ; le CCP, β = .112, t(113) = 1.39, p = .165, et l’image, β = .001, t(113) = 0.15, p = .988, n’intervenant pas dans la prédiction. Au second pas de l’analyse, le même modèle sans l’image permet pour sa part de prédire 54 % de la variance de l’intention comportementale, F (2,114) = 66.19, p < .001. Par conséquent, l’image n’a pas de contribution spécifique à la prédiction de l’intention comportementale (ΔR² = .00), F(1,113) = 0.0, p = .988.

Test du modèle TCP3. Au premier pas de l’analyse, l’attitude, le CCP et l’identité personnelle prédisent 56 % de la variance de l’intention comportementale, F(3,113) = 48.79, p < .001. Dans ce cas, l’analyse révèle que l’attitude, β = .533, t(113) = 5.85, p < .001, et pour l’identité, β = .220, t(113) = 2.65, p < .01, sont tous deux prédicteurs de l’intention comportementale, ce qui n’est pas le cas du CCP, β = .082, t(113) = 1.05, p = .297. Au second pas de l’analyse, le même modèle sans l’identité personnelle permet pour sa part de prédire 54 % de l’intention comportementale, F(2,114) = 66.19, p < .001. Par conséquent, l’identité personnelle contribue à hauteur de 2.7 % (ΔR² = -.027), F(1,113) = 7.01, p < .01, à la prédiction de l’intention comportementale.

Les résultats du comportement « suivre scrupuleusement les limitations de vitesse » sont contradictoires avec H1A selon laquelle les comportements valorisés comme les comportements dévalorisés sont prédits par les variables sociales alors que ce n’est pas le cas des comportements neutres. En effet « suivre scrupuleusement les limitations de vitesse », qui est un comportement

No documento vers l’introduction de la valeur sociale dans la prédiction du comportement d’utilisation (páginas 116-136)