La compréhension des dimensions centrales dans l’évaluation et l’adoption d’un produit technologique par les utilisateurs est un domaine de recherche en pleine expansion (Yeh & Teng, 2012). Les principaux précédents travaux ont été construits autour trois théories : l’acceptabilité/l’acceptation (i.e., variables à l’origine de l’adoption ; Dubois & Bobillier-Chaumon, 2010), l’expérience utilisateur (i.e., qualités fonctionnelles et non fonctionnelles influençant l’expérience avec un produit ; Hassenzahl, 2004) et les variables affectivo-motivationnelles (i.e., dimensions rattachées au fonctionnement humain influençant le jugement et le comportement). Cependant, à notre connaissance, aucune approche unifiée n’a étéproposée. Ainsi, l’objectif de cette thèse était de créer un nouvel outil de mesure en mettant en lien ces travaux théoriques. Pour ce faire, plusieurs études ont été conduites aux diverses temporalités du jugement utilisateur. Les résultats ont, tout d’abord, mis en avant des qualités psychométriques satisfaisantes pour l’outil de mesure proposé. De plus, les modélisations statistiques ont montré un effet majeur de l’utilité perçue à travers les temps d’évaluation. Les autres variables empruntées à ces divers champs théoriques ont des effets différents en fonction de la temporalité du jugement. Enfin, des travaux ont été conduits pour offrir des échelles à items uniques, limitant les problèmes de modélisationclassique des échelles courtes, afin de faciliter les futures expérimentations. / The understanding of main dimensions influencing the evaluation and adoption of technological product by users is a growing up research field (Yeh & Teng, 2012). Majority of previous research was based on three theories: acceptability/Acceptance (i.e., key variables in product adoption; Dubois & Bobillier- Chaumon, 2010), user experience (i.e., functional and non-functional qualities influencing experience with a product; Hassenzahl, 2004) and affective-motivational factors (i.e., dimensions related to human functioning influencing judgements and behaviors). Nevertheless, to our knowledge, no unified approach was proposed. Thus, the objective of the thesis was to create a new measurement tool linking these theoretical fields. For the purpose, several studies were conducted at several temporalities of user judgment. The results indicated satisfactory psychometrics proprieties for the proposed measurement tool. Moreover, the statistical modeling showed a main effect of perceived usefulness through evaluation time. Lastly, work has been done in order to propose single-items scales, limiting the classical modeling problems with short scales, to facilitate futures experimentations.

La modélisation par équations structurelles est très répandue dans des domaines très variés et nous l'appliquons pour la première fois en métrologie dans le traitement de données de comparaisons interlaboratoires. Les modèles à équations structurelles à variables latentes sont des modèles multivariés utilisés pour modéliser des relations de causalité entre des variables observées (les données). Le modèle s'applique dans le cas où les données peuvent être regroupées dans des blocs disjoints où chaque bloc définit un concept modélisé par une variable latente. La structure de corrélation des variables observées est ainsi résumée dans la structure de corrélation des variables latentes. Nous proposons une approche bayésienne des modèles à équations structurelles centrée sur l'analyse de la matrice de corrélation des variables latentes. Nous appliquons une expansion paramétrique à la matrice de corrélation des variables latentes afin de surmonter l'indétermination de l'échelle des variables latentes et d'améliorer la convergence de l'algorithme de Gibbs utilisé. La puissance de l'approche structurelle nous permet de proposer une modélisation riche et flexible des biais de mesure qui vient enrichir le calcul de la valeur de consensus et de son incertitude associée dans un cadre entièrement bayésien. Sous certaines hypothèses l'approche permet de manière innovante de calculer les contributions des variables de biais au biais des laboratoires. Plus généralement nous proposons un cadre bayésien pour l'amélioration de la qualité des mesures. Nous illustrons et montrons l'intérêt d'une modélisation structurelle des biais de mesure sur des comparaisons interlaboratoires en environnement.

Les modèles d'équations structurelles à variables latentes permettent de modéliser des relations entre des variables observables et non observables. Les deux paradigmes actuels d'estimation de ces modèles sont les méthodes de moindres carrés partiels sur composantes et l'analyse de la structure de covariance. Dans ce travail, après avoir décrit les deux principales méthodes d'estimation que sont PLS et LISREL, nous proposons une approche d'estimation fondée sur la maximisation par algorithme EM de la vraisemblance globale d'un modèle à facteurs latents et à une équation structurelle. Nous en étudions les performances sur des données simulées et nous montrons, via une application sur des données réelles environnementales, comment construire pratiquement un modèle et en évaluer la qualité. Enfin, nous appliquons l'approche développée dans le contexte d'un essai clinique en cancérologie pour l'étude de données longitudinales de qualité de vie. Nous montrons que par la réduction efficace de la dimension des données, l'approche EM simplifie l'analyse longitudinale de la qualité de vie en évitant les tests multiples. Ainsi, elle contribue à faciliter l'évaluation du bénéfice clinique d'un traitement. / Structural equation models enable the modeling of interactions between observed variables and latent ones. The two leading estimation methods are partial least squares on components and covariance-structure analysis. In this work, we first describe the PLS and LISREL methods and, then, we propose an estimation method using the EM algorithm in order to maximize the likelihood of a structural equation model with latent factors. Through a simulation study, we investigate how fast and accurate the method is, and thanks to an application to real environmental data, we show how one can handly construct a model or evaluate its quality. Finally, in the context of oncology, we apply the EM approach on health-related quality-of-life data. We show that it simplifies the longitudinal analysis of quality-of-life and helps evaluating the clinical benefit of a treatment.

Un corpus de recherches en sciences sociales et en santé publique menées principalement en Amérique du Nord depuis les années 1980 montre que l'absence de logement personnel a un effet délétère sur l'état de santé, physique et psychique des familles sans logement. En France, les études quantitatives sur la santé des femmes sans-domicile restaient exceptionnelles avant la réalisation de l'enquête ENFAMS conduite en Ile-de-France en 2013. A partir des données de cette enquête, nous avons montré que, bien qu’elles soient plus jeunes que les femmes en population générale, la santé des femmes sans logement est plus mauvaise, en particulier en ce qui concerne leur santé mentale et leur santé nutritionnelle. Malgré un état de santé plus mauvais, les femmes sans logement ont moins recours aux soins que les femmes en population générale. Cette thèse a permis de souligner l’importance du suivi gynécologique dans l’accès au dépistage des cancers féminins puisque la proportion de femmes dépistées du cancer du col de l’utérus est deux fois plus élevée chez les femmes avec un suivi que chez celles sans suivi. Nous avons aussi montré que dans le contexte français d’une couverture maladie universelle et de l’existence de filets de protection sociale, nous ne retrouvons pas les associations classiquement observées entre renoncement aux soins et ressources financières ou assurance maladie. Les professionnels en soins primaires doivent s’appuyer sur les fenêtres d’opportunité de dépistage qu’offre chacun de leur contact avec les services de soins. Les stratégies d’amélioration à l’accès aux soins de ces femmes ne doivent pas seulement viser à lever les obstacles financiers. / Social sciences and public health research conducted mainly in North America, since the 1980s, have shown that homelessness has a significant impact on health, physical conditions and psychological health of families without housing. In France, quantitative studies on homeless women were scarce until the realization of the ENFAMS survey in Paris region in 2013.Based on data from this survey, we showed that, although younger than women in the general population, the health of homeless women is worse, especially with regards to their mental health and nutritional status. Despite their poor health, homeless women have less access to health care than women in the general population. Our research has highlighted the importance of gynecological follow-up in accessing women's cancer screening since the proportion of women who were screened for cervical cancer was twice as high among women with follow-up than among women without follow-up. We have also shown that in the French context of universal health coverage and numerous social safety nets, we do not find the classic associations between unmet health care needs and financial resources or health insurance status.Primary care professionals need to rely on windows of opportunity provided by each of their contact with health care services to make them benefit from cancer screening. Strategies to improve the access to health care of these women must not only aim to remove financial barriers.

La modélisation par équations structurelles est très répandue dans des domaines très variés et nous l'appliquons pour la première fois en métrologie dans le traitement de données de comparaisons interlaboratoires. Les modèles à équations structurelles à variables latentes sont des modèles multivariés utilisés pour modéliser des relations de causalité entre des variables observées (les données). Le modèle s'applique dans le cas où les données peuvent être regroupées dans des blocs disjoints où chaque bloc définit un concept modélisé par une variable latente. La structure de corrélation des variables observées est ainsi résumée dans la structure de corrélation des variables latentes. Nous proposons une approche bayésienne des modèles à équations structurelles centrée sur l'analyse de la matrice de corrélation des variables latentes. Nous appliquons une expansion paramétrique à la matrice de corrélation des variables latentes afin de surmonter l'indétermination de l'échelle des variables latentes et d'améliorer la convergence de l'algorithme de Gibbs utilisé. La puissance de l'approche structurelle nous permet de proposer une modélisation riche et flexible des biais de mesure qui vient enrichir le calcul de la valeur de consensus et de son incertitude associée dans un cadre entièrement bayésien. Sous certaines hypothèses l'approche permet de manière innovante de calculer les contributions des variables de biais au biais des laboratoires. Plus généralement nous proposons un cadre bayésien pour l'amélioration de la qualité des mesures. Nous illustrons et montrons l'intérêt d'une modélisation structurelle des biais de mesure sur des comparaisons interlaboratoires en environnement. / Structural equation modelling is a widespread approach in a variety of domains and is first applied here to interlaboratory comparisons in metrology. Structural Equation Models with latent variables (SEM) are multivariate models used to model causality relationships in observed variables (the data). It is assumed that data can be grouped into separate blocks each describing a latent concept modelled by a latent variable. The correlation structure of the observed variables is transferred into the correlation structure of the latent variables. A Bayesian approach of SEM is proposed based on the analysis of the correlation matrix of latent variables using parameter expansion to overcome identifiability issues and improving the convergence of the Gibbs sampler. SEM is used as a powerful and flexible tool to model measurement bias with the aim of improving the reliability of the consensus value and its associated uncertainty in a fully Bayesian framework. The approach also allows to compute the contributions of the observed variables to the bias of the laboratories, under additional hypotheses. More generally a global Bayesian framework is proposed to improve the quality of measurements. The approach is illustrated on the structural equation modelling of measurement bias in interlaboratory comparisons in environment.

La modélisation par équations structurelles est très répandue dans des domaines très variés et nous l'appliquons pour la première fois en métrologie dans le traitement de données de comparaisons interlaboratoires. Les modèles à équations structurelles à variables latentes sont des modèles multivariés utilisés pour modéliser des relations de causalité entre des variables observées (les données). Le modèle s'applique dans le cas où les données peuvent être regroupées dans des blocs disjoints où chaque bloc définit un concept modélisé par une variable latente. La structure de corrélation des variables observées est ainsi résumée dans la structure de corrélation des variables latentes. Nous proposons une approche bayésienne des modèles à équations structurelles centrée sur l'analyse de la matrice de corrélation des variables latentes. Nous appliquons une expansion paramétrique à la matrice de corrélation des variables latentes afin de surmonter l'indétermination de l'échelle des variables latentes et d'améliorer la convergence de l'algorithme de Gibbs utilisé. La puissance de l'approche structurelle nous permet de proposer une modélisation riche et flexible des biais de mesure qui vient enrichir le calcul de la valeur de consensus et de son incertitude associée dans un cadre entièrement bayésien. Sous certaines hypothèses l'approche permet de manière innovante de calculer les contributions des variables de biais au biais des laboratoires. Plus généralement nous proposons un cadre bayésien pour l'amélioration de la qualité des mesures. Nous illustrons et montrons l'intérêt d'une modélisation structurelle des biais de mesure sur des comparaisons interlaboratoires en environnement. / Structural equation modelling is a widespread approach in a variety of domains and is first applied here to interlaboratory comparisons in metrology. Structural Equation Models with latent variables (SEM) are multivariate models used to model causality relationships in observed variables (the data). It is assumed that data can be grouped into separate blocks each describing a latent concept modelled by a latent variable. The correlation structure of the observed variables is transferred into the correlation structure of the latent variables. A Bayesian approach of SEM is proposed based on the analysis of the correlation matrix of latent variables using parameter expansion to overcome identifiability issues and improving the convergence of the Gibbs sampler. SEM is used as a powerful and flexible tool to model measurement bias with the aim of improving the reliability of the consensus value and its associated uncertainty in a fully Bayesian framework. The approach also allows to compute the contributions of the observed variables to the bias of the laboratories, under additional hypotheses. More generally a global Bayesian framework is proposed to improve the quality of measurements. The approach is illustrated on the structural equation modelling of measurement bias in interlaboratory comparisons in environment.