Analyse comparative des méthodes de classifications (notice n° 1043008)
[ vue normale ]
| 000 -LEADER | |
|---|---|
| fixed length control field | 05642cam a2200301 4500500 |
| 005 - DATE AND TIME OF LATEST TRANSACTION | |
| control field | 20250125180053.0 |
| 041 ## - LANGUAGE CODE | |
| Language code of text/sound track or separate title | fre |
| 042 ## - AUTHENTICATION CODE | |
| Authentication code | dc |
| 100 10 - MAIN ENTRY--PERSONAL NAME | |
| Personal name | Creusier, Jordane |
| Relator term | author |
| 245 00 - TITLE STATEMENT | |
| Title | Analyse comparative des méthodes de classifications |
| 260 ## - PUBLICATION, DISTRIBUTION, ETC. | |
| Date of publication, distribution, etc. | 2014.<br/> |
| 500 ## - GENERAL NOTE | |
| General note | 83 |
| 520 ## - SUMMARY, ETC. | |
| Summary, etc. | De nombreux travaux de recherche en gestion des ressources en humaines, en marketing ou en stratégie établissent des profils. La finalité commune est de préciser les liens existants entre différents concepts. Cet engouement pour la création de profils permet de dépasser l’aspect monolithique des échantillons utilisés par les chercheurs. Les résultats obtenus sont plus précis. Cette approche centrée sur les personnes débouche sur des clarifications conceptuelles et des préconisations d’actions davantage adaptées au contexte étudié que celles obtenues à partir d’estimations moyennes. Pour mener à bien ces projets, plusieurs méthodes de classification sont disponibles. Il s’agit entre autre de méthodes « traditionnelles » qui regroupent les méthodes simples comme le split par la moyenne, la médiane ou le centre d’échelle, de méthodes non hiérarchiques comme les nuées dynamiques, de méthodes hiérarchiques ou encore de méthodes « avancées » comme la méthode mêlée. Plus récemment, une nouvelle génération est apparue dans les travaux de recherche nord-américains : les « mixture models ». La première partie de cet article est consacrée à une présentation et une analyse critique de ces deux générations de méthodes. Elle permet de montrer leurs limites respectives. Elle aboutit également à présenter les avantages théoriques des « mixture models ». Ils tiennent en particulier à la batterie d’indicateurs proposée pour arrêter le nombre final de profils. La part d’arbitraire de cette phase clé du processus est réduite sans toutefois disparaître complètement. Pour illustrer empiriquement les avantages comparatifs de ces modèles mixtes, un concept multidimensionnel issu du champ de « l’organizational behavior » est mobilisé : le bien-être au travail. Il est mesuré grâce à l’EPBET (Echelle de mesure Positive du Bien-Etre au Travail) sur un échantillon de 865 salariés français. Cette échelle appréhende le bien-être au travail au travers de quatre rapports : un rapport au management, aux collègues, à l’environnement physique de travail et enfin aux temps. Cette illustration montre que le nombre de profils et l’affectation d’une partie des personnes à ces profils dépend de la méthode traditionnelle utilisée. Ce nombre va de quatre à seize selon les cas. Grâce à la batterie d’indicateurs fournis, les « latente profil analysis » et les « factor mixture analysis » permettent d’aboutir une partition stable de l’échantillon. Ils répondent ce faisant à l’enjeu de connaissance et de décision sous-jacent aux travaux de classification réalisés dans les sciences de gestion. |
| 520 ## - SUMMARY, ETC. | |
| Summary, etc. | Many researches in human relation management, marketing or strategy try to identify profiles. Their shared aim is to study links between concepts. This keen interest for profiles creation takes into account samples’ heterogeneity. This person-centered approach succeeds in conceptual clarification and managerial advice which better fits with the context than the ones which result from average estimation. To succeed, researchers can use several classification methods. The “traditional” ones are midpoint, median, scale center split, non-hierarchical method as K-means clusters, hierarchical methods or combined method. More recently, a new generation appears from American studies : mixture models. The first section of this paper is dedicated to a presentation and a critical study of these “traditional” and new generation “methods”. Their limits and mixture models’ advantages are described. Indeed, Latent Profile Analysis and Factor Mixture Analysis come with a large number of statistical indicators which define the profiles’ number. The arbitrary part in this key step of the decision process is reduced but not totally deleted. To empirically illustrate the mixture models’ comparative advantages, we used a multidimensional concept which comes from the organizational behavior field : Well-being at work. We used the EPBET scale (positive scale of well-being at work) on a large sample of French employees. This scale defines well-being at work starting from four dimensions : management, colleagues, environment and time. This example shows the dependency of the profiles’ number and people allocation in these profiles on the traditional method which has been used. We find four to sixteen profiles according to the method. Thanks to the indicators, the mixture model methods show a stable classification. This statistical way is really useful to increase conceptual knowledge and to resolve decision stake in management science. |
| 690 ## - LOCAL SUBJECT ADDED ENTRY--TOPICAL TERM (OCLC, RLIN) | |
| Topical term or geographic name as entry element | classification |
| 690 ## - LOCAL SUBJECT ADDED ENTRY--TOPICAL TERM (OCLC, RLIN) | |
| Topical term or geographic name as entry element | factor mixture analysis |
| 690 ## - LOCAL SUBJECT ADDED ENTRY--TOPICAL TERM (OCLC, RLIN) | |
| Topical term or geographic name as entry element | profils |
| 690 ## - LOCAL SUBJECT ADDED ENTRY--TOPICAL TERM (OCLC, RLIN) | |
| Topical term or geographic name as entry element | comparaison méthodologique |
| 690 ## - LOCAL SUBJECT ADDED ENTRY--TOPICAL TERM (OCLC, RLIN) | |
| Topical term or geographic name as entry element | bien-être au travail |
| 690 ## - LOCAL SUBJECT ADDED ENTRY--TOPICAL TERM (OCLC, RLIN) | |
| Topical term or geographic name as entry element | classification |
| 690 ## - LOCAL SUBJECT ADDED ENTRY--TOPICAL TERM (OCLC, RLIN) | |
| Topical term or geographic name as entry element | factor mixture analysis |
| 690 ## - LOCAL SUBJECT ADDED ENTRY--TOPICAL TERM (OCLC, RLIN) | |
| Topical term or geographic name as entry element | profiles |
| 690 ## - LOCAL SUBJECT ADDED ENTRY--TOPICAL TERM (OCLC, RLIN) | |
| Topical term or geographic name as entry element | methodological comparison |
| 690 ## - LOCAL SUBJECT ADDED ENTRY--TOPICAL TERM (OCLC, RLIN) | |
| Topical term or geographic name as entry element | well-being at work |
| 700 10 - ADDED ENTRY--PERSONAL NAME | |
| Personal name | Biétry, Franck |
| Relator term | author |
| 786 0# - DATA SOURCE ENTRY | |
| Note | RIMHE : Revue Interdisciplinaire Management, Homme & Entreprise | 103 | 1 | 2014-01-01 | p. 105-123 | 2259-2490 |
| 856 41 - ELECTRONIC LOCATION AND ACCESS | |
| Uniform Resource Identifier | <a href="https://shs.cairn.info/revue-rimhe-2014-1-page-105?lang=fr&redirect-ssocas=7080">https://shs.cairn.info/revue-rimhe-2014-1-page-105?lang=fr&redirect-ssocas=7080</a> |
Pas d'exemplaire disponible.
Réseaux sociaux