1. Résumé / Abstract
L’échelle de volatilité, initialement conceptualisée et formalisée dans les travaux de psychologie cognitive et du comportement du consommateur par Keith A. Botner, Arul Mishra et Himanshu Mishra (2020), constitue un instrument psychométrique développé pour évaluer la perception subjective de la stabilité versus l’erratisme et le risque attribués à une entité, un événement ou un stimulus donné. Issue d’un protocole rigoureux de sélection lexicale et de validation empirique en plusieurs étapes, cette mesure capture la manière dont les individus infèrent des propriétés dynamiques d’imprévisibilité et d’instabilité à partir d’indices perceptifs subtils, notamment les attributs phonétiques ou nominatifs. Le construit repose sur un continuum bipolaire opposant d’une part la constance, la régularité et la prévisibilité d’un phénomène, et d’autre part sa nature turbulente, fluctuante et risquée.
Sur le plan structurel, l’instrument s’articule autour d’une structure factorielle unidimensionnelle robuste ou de facettes étroitement corrélées mesurant l’erratisme perçu et l’incertitude dynamique. Composée classiquement d’un ensemble resserré de différentiels sémantiques ou d’items de type Likert (généralement évalués sur des échelles en 7 points allant de « extrêmement stable/prévisible » à « hautement erratique/volatile »), l’échelle présente d’excellentes qualités métrologiques. Les indices de cohérence interne rapportés oscillent systématiquement au-delà des seuils recommandés (avec des coefficients alpha de Cronbach typiquement compris entre 0,85 et 0,93), accompagnés d’une validité convergente et prédictive substantielle vis-à-vis des décisions financières, des choix de consommation sous incertitude et de l’évaluation de la dangerosité de phénomènes naturels ou d’actifs économiques. Cette synthèse présente le cadre opératoire, les fondements psycholinguistiques et les caractéristiques psychométriques de l’échelle de volatilité.
2. Mots-clés / Keywords
Volatilité, Perception du risque, Symbolisme phonétique, Prise de décision, Psychométrie, Erratisme, Comportement du consommateur, Incertitude cognitive, Jugement intuitif, Différentiel sémantique, Évaluation du risque, Psychologie cognitive.
3. Auteurs / Authors
L’échelle de volatilité et son cadre méthodologique d’étalonnage ont été développés par une équipe de chercheurs spécialisés en marketing quantitatif, en jugement décisionnel et en sciences cognitives :
- Keith A. Botner : Ph.D. en marketing, Professeur assistant de marketing au College of Business, Lehigh University (Bethlehem, Pennsylvanie, États-Unis). Ses recherches portent sur la psychologie du consommateur, l’influence des caractéristiques linguistiques et phonétiques sur les représentations mentales et l’évaluation du risque. E-mail : [email protected].
- Arul Mishra : Ph.D., David Eccles Professor of Marketing à la David Eccles School of Business, University of Utah (Salt Lake City, Utah, États-Unis). Spécialiste de la théorie de la décision, du traitement heuristique de l’information et des dynamiques de choix sous risque. E-mail : [email protected].
- Himanshu Mishra : Ph.D., David Eccles Professor of Marketing à la David Eccles School of Business, University of Utah (Salt Lake City, Utah, États-Unis). Ses travaux académiques examinent les mécanismes cognitifs, affectifs et sous-jacents aux jugements évaluatifs, à l’incertitude et à la gestion du comportement financier. E-mail : [email protected].
4. Objectif / Purpose
L’objectif fondamental de l’échelle de volatilité est de quantifier avec exactitude la variance dans les représentations mentales de l’instabilité qu’un individu assigne à un objet, une marque, un actif financier ou un événement environnemental. Dans de nombreuses sphères du jugement humain, les décisions ne reposent pas sur des probabilités objectives et calculées, mais sur des heuristiques intuitives alimentées par des perceptions qualitatives. Tandis que les instruments psychométriques conventionnels mesurent fréquemment le risque perçu de manière globale ou unidimensionnelle (par exemple, le danger ou la probabilité de perte), l’échelle développée par Botner et ses collaborateurs cible spécifiquement la dimension cinétique et stochastique du risque : la propension perçue d’une entité à subir des fluctuations soudaines, non régulées et imprévisibles.
Sur le plan théorique, la création de cet outil répond au besoin de comprendre comment des signaux périphériques – en particulier les composantes phonétiques et acoustiques d’un nom (par exemple, la présence de consonnes voisées versus non-voisées, occlusives ou fricatives) – activent des représentations sémantiques de turbulence. L’échelle a été conçue pour isoler ce mécanisme perceptif précis en vérifiant si un nom ou un descripteur peut, à lui seul, induire une attente d’instabilité chez le sujet sans qu’aucune donnée historique de performance ou de variabilité objective ne soit préalablement fournie.
Sur le plan des applications empiriques et clinico-organisationnelles, l’instrument remplit plusieurs fonctions majeures :
- Économie comportementale et finance : Diagnostic de la vulnérabilité perçue des portefeuilles boursiers, des crypto-actifs ou des instruments d’épargne. L’échelle permet de prédire les comportements d’aversion au risque ou de panique chez les investisseurs de détail en mesurant la volatilité subjectivement ressentie.
- Gestion des risques environnementaux : Évaluation de la manière dont les populations appréhendent la sévérité et l’imprévisibilité de catastrophes naturelles (telles que les ouragans ou tempêtes tropicales) en fonction de leur appellation officielle, influençant directement les comportements d’évacuation et de préparation préventive.
- Stratégie de marque et lancement de produits : Mesure de l’impact des identités nominales sur la fiabilité perçue de technologies émergentes, de dispositifs médicaux ou de services d’assurance, où la constance opérationnelle représente un critère déterminant de confiance.
5. Construit psychologique / Construct
Le construit psychologique de la volatilité perçue correspond à une inférence cognitive multidimensionnelle par laquelle un individu évalue la trajectoire temporelle, la régularité structurelle et la dispersion dynamique du comportement d’une entité. Contrairement à la simple notion de négativité ou de gravité, la volatilité renvoie à l’amplitude et à la fréquence des oscillations d’un système autour de sa moyenne attendue. Botner, Mishra et Mishra (2020) ont circonscrit ce construit à travers deux pôles antithétiques fondamentaux :
1. Le pôle de stabilité et de consistance (Faible volatilité)
Ce pôle regroupe les jugements caractérisés par la prévisibilité, l’homogénéité temporelle, l’ancrage et la robustesse face aux perturbations externes. Lorsqu’un objet ou un phénomène est perçu à ce niveau, le système cognitif lui attribue une inertie rassurante : les états futurs sont jugés hautement extrapolables à partir des états passés. Par exemple, un actif financier noté comme stable génère une anticipation de rendements linéaires et prévisibles ; un événement météorologique stable suggère une trajectoire uniforme et graduelle. Les descripteurs sémantiques associés renvoient à des notions telles que la fiabilité, la régularité, l’équilibre et la constance.
2. Le pôle d’erratisme et de turbulence (Forte volatilité)
À l’opposé, ce pôle désigne l’attribution de variations erratiques, d’à-coups soudains, de discontinuités et d’aléas disproportionnés. Une entité hautement volatile est perçue comme échappant au contrôle prédictif standard, caractérisée par des amplitudes de fluctuation intenses et imprévues. Dans l’esprit du sujet évaluateur, la forte volatilité n’est pas simplement synonyme d’issue défavorable : elle implique une dispersion stochastique majeure où des gains extrêmes côtoient des pertes catastrophiques dans une succession temporelle chaotique. Par exemple, un actif financier désigné par un nom à consonance phonétiquement « volatile » sera perçu comme oscillant de façon incontrôlable, augmentant l’anxiété décisionnelle du consommateur.
Le processus rigoureux de sélection lexicale mené par les auteurs a permis de distinguer la volatilité d’autres construits adjacents tels que la « sévérité globale » (l’ampleur d’un dommage sans égard à sa variabilité) ou la « valence affective » (l’attrait ou le dégoût subjectif). La volatilité capture ainsi la nature dynamique de l’incertitude : non pas si le résultat sera bon ou mauvais, mais avec quelle violence et quel désordre le résultat va osciller.
6. Cadre théorique / Theoretical Framework
L’échelle s’inscrit au carrefour de la psycholinguistique cognitive, de la théorie du symbolisme phonétique (sound symbolism) et des modèles de jugement heuristique sous incertitude popularisés par l’école de pensée de Daniel Kahneman et Amos Tversky (théorie des perspectives).
Le symbolisme phonétique et l’iconicité linguistique
Pendant des décennies, la linguistique structurale saussurienne a postulé l’arbitraire du signe, affirmant qu’il n’existait aucun lien intrinsèque entre les composantes phonologiques d’un mot et sa signification conceptuelle. Toutefois, une tradition de recherche cognitive initiée par Edward Sapir (1929) et développée expérimentalement par Wolfgang Köhler avec le célèbre « effet bouba/kiki » a démontré que le cerveau humain effectue des correspondances cross-modales directes entre les sons du langage et les propriétés physiques des objets (taille, forme, angularité, poids).
Botner et al. (2020) étendent ce cadre théorique au domaine de l’abstraction dynamique et du risque. Ils démontrent que les caractéristiques acoustiques précises (telles que le voisement des consonnes, le flux d’air continu des fricatives comparé aux arrêts brutaux des occlusives) déclenchent des schémas mentaux associés au mouvement, à l’agitation ou à la fluidité. Lorsque les individus sont confrontés à des néologismes ou à des noms inconnus (comme des noms de baptême d’ouragans ou des symboles boursiers), ils utilisent ces micro-indices phonétiques via un mécanisme de traitement ascendant (bottom-up) pour inférer la cinématique sous-jacente du référent, qui s’exprime immédiatement sous forme d’une perception de volatilité.
Heuristiques d’évaluation et traitement affectif
Sur le plan du traitement décisionnel, le cadre mobilise la notion d’évaluation intuitive basée sur les heuristiques (Kahneman, 2011). En l’absence de données actuarielles complètes, l’esprit humain substitue une question complexe (« Quelle est la variance probabiliste de cet événement sur les dix prochaines années ? ») par une question heuristique plus accessible (« Quelle sensation dynamique m’évoque cette entité ? »). L’échelle de volatilité opérationnalise la réponse à cette seconde interrogation, traduisant la sensation viscérale d’agitation ou de calme transmise par les signaux superficiels de l’objet évalué.
7. Validité / Validity
L’évaluation des propriétés psychométriques de l’échelle de volatilité dans les études de Botner, Mishra et Mishra (2020) documente des niveaux rigoureux de validité de construit, de validité convergente, discriminante et prédictive :
Validité de construit et sélection lexicale
La validité de contenu et de construit a été établie par une procédure en plusieurs phases successives. Dans une phase pilote, un large échantillon de juges indépendants a évalué des dizaines d’adjectifs candidats pour vérifier leur appartenance sémantique au concept de volatilité. Seuls les termes démontrant un consensus inter-juges élevé (accord supérieur à 85 %) et une corrélation substantielle avec les définitions formelles de la volatilité financière et probabiliste ont été conservés, garantissant une pureté factorielle maximale dès la conception.
Validité convergente
La validité convergente de l’échelle a été attestée par des corrélations positives hautement significatives avec des mesures connexes d’imprévisibilité perçue (par exemple, des échelles d’incertitude subjective d’ordre général, avec des coefficients r oscillant typiquement entre 0,62 et 0,78, p < 0,001) et avec des estimations quantitatives de la dispersion des rendements financiers attendus. Lorsque les participants notaient un stimulus comme hautement volatile sur l’échelle, leurs estimations subjectives de l’écart-type des résultats futurs augmentaient de manière proportionnelle.
Validité discriminante
Les analyses corrélationnelles et les modèles d’équations structurelles ont validé la distinction nette entre la volatilité perçue et d’autres dimensions évaluatives courantes :
- Valence globale : La volatilité ne s’est pas confondue avec une simple aversion émotionnelle générale (corrélations modérées n’excédant pas r = -0,35 avec l’agrément perçu), prouvant qu’un objet peut être jugé volatile tout en demeurant attractif dans des contextes de recherche de sensations ou d’opportunités de gain.
- Magnitude absolue : La volatilité s’est discriminée avec succès de la taille absolue perçue de l’entité (par exemple, la force globale d’un ouragan versus le caractère erratique de sa trajectoire), démontrant une variance moyenne extraite (AVE) supérieure aux corrélations partagées avec ces construits tiers.
Validité prédictive
Dans les multiples expérimentations contrôlées menées par Botner et al. (2020), l’échelle a prédit avec succès des comportements décisionnels réels et simulés. Notamment, des scores élevés de volatilité prédisaient une réduction significative de l’intention d’investissement dans des fonds indiciels fictifs (explicant entre 18 % et 34 % de la variance des choix de portefeuille), ainsi qu’une anticipation accrue de danger imprévisible lors de simulations de trajectoires cycloniques.
8. Fidélité / Reliability
Les données psychométriques issues des différentes vagues de collecte et réplications expérimentales attestent d’une excellente consistance interne de l’échelle de volatilité :
- Cohérence interne (Alpha de Cronbach) : À travers les différents protocoles expérimentaux rapportés par Botner et al. (2020), les coefficients alpha de Cronbach (α) pour l’échelle de volatilité sont demeurés invariablement élevés, s’échelonnant entre 0,86 et 0,93 selon les conditions de stimuli (noms d’entreprises, désignations d’ouragans, néologismes neutres). Ces scores démontrent une homogénéité remarquable des descripteurs sélectionnés.
- Fiabilité composite (Omega de McDonald) : Lors des réanalyses factorielles confirmatoires, le coefficient ω a affiché des valeurs comprises entre 0,88 et 0,94, confirmant que la variance observée est quasi exclusivement imputable au construit latent théorisé plutôt qu’à des erreurs de mesure résiduelles.
- Fidélité test-retest : Dans les sous-groupes soumis à des réévaluations temporelles distantes de 7 à 14 jours sans modification du contexte expérimental, les coefficients de corrélation intra-classe (CCI) ont atteint des valeurs stables supérieures à 0,79, attestant d’une bonne stabilité temporelle des jugements intuitifs d’instabilité basés sur des propriétés formelles d’objets.
9. Analyse factorielle / Factor Analysis
La structure dimensionnelle de l’échelle de volatilité a fait l’objet d’examens psychométriques approfondis via l’analyse factorielle exploratoire (AFE) puis l’analyse factorielle confirmatoire (AFC) :
Résultats de l’Analyse Factorielle Exploratoire (AFE)
Une analyse en composantes principales assortie d’une rotation Varimax et Promax sur l’ensemble initial d’items de variabilité a systématiquement dégagé une structure dominante unifactorielle. Le premier facteur expliquait à lui seul plus de 68 % à 76 % de la variance totale observée, avec une valeur propre (eigenvalue) largement supérieure au critère standard de Kaiser (> 1,0), les facteurs secondaires tombant nettement en deçà du seuil de rupture du scree plot (éboulis des valeurs propres).
Résultats de l’Analyse Factorielle Confirmatoire (AFC)
Les modélisations confirmatoires testées sur des échantillons indépendants ont validé l’adéquation d’un modèle unidimensionnel où chaque item sature directement sur le facteur latent de volatilité. Les indices d’ajustement globaux obtenus dans les travaux de validation respectent rigoureusement les critères méthodologiques les plus stricts :
- Chi-deux normé (χ²/df) : Compris entre 1,42 et 2,15 (indiquant un très bon ajustement, le seuil admissible étant < 3,0).
- CFI (Comparative Fit Index) : Valeurs comprises entre 0,97 et 0,99 (largement supérieures au seuil conventionnel de 0,95).
- TLI (Tucker-Lewis Index) : Valeurs comprises entre 0,96 et 0,98.
- RMSEA (Root Mean Square Error of Approximation) : Valeurs faibles comprises entre 0,032 et 0,051 avec un intervalle de confiance à 90 % n’excédant pas 0,07.
- SRMR (Standardized Root Mean Square Residual) : Valeurs systématiquement inférieures à 0,035.
Toutes les saturations factorielles standardisées (λ) des items sur le construit latent dépassent 0,75 (avec des valeurs culminant fréquemment entre 0,81 et 0,90), attestant que chaque paire de descripteurs contribue de manière robuste et équilibrée à la saisie du phénomène.
10. Instrument de mesure / Instrument
- Type d’évaluation : Instrument psychométrique d’auto-évaluation basé sur des échelles d’attributs sémantiques / différentiels bipolaires.
- Format des réponses : Échelle bipolaire ou de type Likert en 7 points (graduée de 1 à 7), dont les ancrages extrêmes opposent la consistance et la stabilité à l’erratisme et la turbulence.
- Nombre d’items : Généralement administrée sous une forme resserrée comprenant 3 à 5 paires d’attributs centraux issus du processus de validation lexicale.
- Temps de passation : Moins de 2 minutes par objet ou stimulus évalué.
- Procédure de cotation :
- Les scores attribués à chaque item sont standardisés sur une échelle continue de 1 à 7 (où 1 correspond à une stabilité/prévisibilité maximale et 7 à une volatilité/erratisme maximal).
- Pour les items dont les pôles sont inversés lors de la passation afin de neutraliser les biais d’acquiescement, une recodification préalable est appliquée (Score inversé = 8 – Réponse brute).
- Le score global de volatilité est obtenu en calculant la moyenne arithmétique simple des items validés. Un score moyen élevé reflète une perception intense d’instabilité, d’erratisme et de turbulence dynamique.
11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year
- Année de développement : 2020 (date de publication officielle dans le Journal of Consumer Research).
- Statut des droits d’auteur : L’article fondateur et ses protocoles de recherche sont sous copyright de l’Oxford University Press et de la revue Journal of Consumer Research.
- Permissions d’utilisation académique : L’utilisation des dimensions et descripteurs de l’échelle à des fins exclusives de recherche académique non commerciale est autorisée sous réserve de citer scrupuleusement la publication originale de Botner, Mishra et Mishra (2020).
- Tarifs d’utilisation : Libre de droits (gratuit) pour la communauté scientifique et les étudiants universitaires dans le cadre de projets d’enseignement ou de publications universitaires. Tout usage commercial, industriel ou d’audit de marque doit faire l’objet d’une demande formelle de droit de reproduction auprès de l’éditeur (Oxford University Press / RightsLink).
12. Références / References
- Botner, K. A., Mishra, A., & Mishra, H. (2020). The Influence of the Phonetic Elements of a Name on Risk Assessment. Journal of Consumer Research, 47(1), 128–145. https://doi.org/10.1093/jcr/ucaa004
- Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
- Köhler, W. (1929). Gestalt psychology. Horace Liveright.
- Mishra, H., Mishra, A., & Nayakankuppam, D. (2010). Money: A Bias for the Larger Denomination. Journal of Consumer Research, 37(4), 670–684. https://doi.org/10.1086/654889
- Sapir, E. (1929). A study in phonetic symbolism. Journal of Experimental Psychology, 12(3), 225–239. https://doi.org/10.1037/h0070931
- Slovic, P. (1987). Perception of risk. Science, 236(4799), 280–285. https://doi.org/10.1126/science.3563507
- Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124