Skip to content
Retour aux résultats

Analyse factorielle

Introduite par
Louis Leon Thurstone
Année
1931
Type
Method
Famille
dimension-reduction

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'analyse factorielle est une technique statistique permettant d'identifier des dimensions latentes (non observées) sous-jacentes à des variables observées.

Elle a été développée par Louis Leon Thurstone dans les années 1930 et formalisée par Jöreskog (1969). L'analyse factorielle exploratoire (AFE) découvre une structure factorielle inconnue à partir des données ; l'analyse factorielle confirmatoire (AFC) teste les relations hypothétiques entre les variables observées et latentes. Essentielle en psychométrie (développement de tests), en recherche organisationnelle (mesure de construits comme le style de leadership) et en biomédecine (identification de sous-types de maladies), l'analyse factorielle réduit la dimensionnalité tout en révélant l'organisation conceptuelle des données multivariées.

L’intuition derrière la méthode

Les variables observées (éléments de questionnaire, mesures) sont souvent des manifestations de construits latents sous-jacents (intelligence, gravité de la dépression, climat organisationnel) qui ne peuvent pas être mesurés directement. L'analyse factorielle suppose que les corrélations entre les variables observées reflètent des facteurs latents partagés. Les mathématiques décomposent une matrice de corrélation en variance commune (expliquée par les facteurs) et variance unique (erreur et effets spécifiques à l'élément). L'analyse factorielle exploratoire demande : quelle structure latente explique le mieux ces corrélations ? L'analyse factorielle confirmatoire demande : une structure théoriquement proposée correspond-elle aux données ? Cela permet aux chercheurs de mesurer des concepts abstraits, de valider des instruments d'évaluation et de comprendre l'organisation dimensionnelle dans des ensembles de données complexes.

Histoire

Charles Spearman (1904) a introduit l'analyse factorielle pour expliquer les corrélations positives entre les capacités mentales (intelligence générale « g »). Louis Leon Thurstone (1931) l'a étendue à plusieurs facteurs et a développé des méthodes de rotation (centroïde, axes principaux). L'analyse factorielle confirmatoire et la modélisation par équations structurelles de Karl Jöreskog (1969) ont révolutionné le test d'hypothèses dans les modèles à variables latentes. Le critère de Kaiser (Kaiser, 1960) a standardisé l'extraction de facteurs basée sur les valeurs propres. Les développements modernes incluent la théorie de réponse aux items (Rasch, 1960), les méthodes d'estimation robustes (estimation sans distribution) et l'analyse factorielle multigroupe/multiniveau pour comparer les structures entre populations ou données imbriquées.

Quand l’utiliser

Utilisez l'AFE lors de l'exploration de la structure dimensionnelle d'un nouveau construit de mesure, de l'affinage d'échelles ou de la compréhension des relations entre variables observées sans théorie a priori. Évaluation psychologique : sélection d'items pour un nouveau dépistage de la dépression, échelle d'évaluation du leadership. Biomédical : identification de sous-types de maladies à partir de corrélations de symptômes. Utilisez l'AFC lors de la validation d'échelles précédemment développées, du test de modèles de mesure théoriques ou de la comparaison de structures factorielles concurrentes. Courant en psychologie : confirmation d'un modèle unidimensionnel vs multidimensionnel d'un construit. Utilisez également l'AFC comme partie de mesure de modèles d'équations structurelles plus larges reliant les variables latentes aux résultats.

Limites et points d’attention

  • Les résultats de l'AFE dépendent de l'échantillon ; la structure factorielle peut ne pas se répliquer dans un nouvel échantillon. Toujours valider les résultats de manière croisée ou utiliser l'analyse factorielle confirmatoire sur un échantillon indépendant.
  • Suppose des relations linéaires entre les variables et les facteurs ; les effets non linéaires ou de seuil ne sont pas détectés.
  • L'interprétation est subjective : une structure de valeurs propres et des rotations similaires peuvent donner des interprétations différentes. Plusieurs solutions peuvent ajuster les données aussi bien.
  • Nécessite de grands échantillons pour des estimations stables : règle générale n > 5 × variables ; les petits échantillons (n < 100) produisent des facteurs instables et non reproductibles.
  • L'AFC suppose que le modèle de mesure est correct a priori ; si la vraie structure diffère, les mesures d'ajustement du modèle peuvent ne pas détecter la mauvaise spécification (minima locaux, modèles équivalents).

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Réduction de la dimensionnalité : de nombreuses variables observées sont compressées en moins de facteurs latents interprétables, simplifiant l'analyse et la communication.
  • Révèle les construits latents : permet la mesure de concepts abstraits (intelligence, personnalité, culture organisationnelle) qui ne peuvent pas être directement observés.
  • Base statistique pour le développement de tests : soutient les preuves de validité pour les évaluations psychologiques et éducatives ; l'AFC valide formellement les modèles de mesure.
  • Flexible : s'adapte aux données binaires, ordinales et continues ; gère les données manquantes via le maximum de vraisemblance à information complète (FIML) en AFC.
  • S'étend aux modèles complexes : fondation pour la modélisation par équations structurelles reliant les variables latentes aux résultats, permettant des tests de médiation et de modération.

Applications

  • Développement de tests psychologiques : construction et validation d'échelles cliniques (dépression, anxiété), d'inventaires de personnalité (Big Five) et de tests de capacités cognitives ; établissement de preuves de validité.
  • Recherche organisationnelle : mesure de construits comme la satisfaction au travail, l'engagement organisationnel, le style de leadership ; confirmation de la nature multidimensionnelle de concepts complexes.
  • Évaluation de la qualité de vie : réduction de nombreux éléments liés à la santé en dimensions interprétables (fonctionnement physique, mental, social) pour la mesure des résultats.
  • Évaluation éducative : développement d'évaluations de programmes, établissement de la validité des examens d'entrée à l'université, réduction des pools d'items tout en préservant la couverture conceptuelle.
  • Recherche biomédicale : identification de phénotypes de maladies distincts à partir de corrélations de symptômes/marqueurs génétiques (endotypes), réduction de données génomiques de haute dimension en dimensions latentes interprétables.

Comment ça marche

Comment ça marche

1

Administrez une analyse factorielle exploratoire ou confirmatoire en collectant des données sur plusieurs variables observées (généralement >5) auprès d'un échantillon suffisamment grand (règle générale : n > 5 × nombre de variables, ou minimum absolu n ≥ 100 ; idéalement n > 200). Pour l'AFE : collectez des données sans hypothèse préalable sur la structure factorielle ; les variables doivent être raisonnablement intercorrélées (vérifiez la matrice de corrélation ; toutes les corrélations < 0.3 suggèrent que les facteurs sont peu probables). Évaluez l'adéquation de l'échantillonnage : le test de Kaiser-Meyer-Olkin (KMO) compare l'ampleur des corrélations aux corrélations partielles ; KMO > 0.6 est acceptable, > 0.7 est bon. Le test de sphéricité de Bartlett doit être significatif (p < 0.05), indiquant que les corrélations diffèrent de la matrice identité. Pour l'AFC : spécifiez une structure factorielle hypothétique a priori basée sur la théorie et la recherche antérieure.

2

Pour l'analyse factorielle exploratoire : extrayez les facteurs en utilisant la factorisation en axes principaux (PAF) ou le maximum de vraisemblance (ML). Critère de Kaiser : conservez les facteurs avec des valeurs propres > 1. Scree plot (graphique d'éboulis) : tracez les valeurs propres par ordre décroissant ; conservez les facteurs avant le coude (rendements décroissants). Analyse parallèle : comparez les valeurs propres à celles de données aléatoires ; conservez les facteurs dépassant le seuil aléatoire. Faites pivoter les facteurs (varimax = orthogonaux/non corrélés, oblimin = obliques/corrélés) pour améliorer l'interprétabilité et obtenir une structure simple (chaque variable charge fortement sur un seul facteur). Rapportez les saturations factorielles (corrélations entre les variables et les facteurs) : typiquement |saturation| > 0.4 est considéré comme saillant ; les saturations > 0.7 sont fortes. Calculez les communalités : proportion de la variance de chaque variable expliquée par les facteurs ; de faibles communalités (<0.3) suggèrent un mauvais ajustement pour cette variable. Pour l'analyse factorielle confirmatoire : ajustez le modèle hypothétique à l'aide d'un logiciel de modélisation par équations structurelles (SEM). Rapportez les indices d'ajustement du modèle : CFI (Comparative Fit Index) > 0.95, TLI (Tucker-Lewis Index) > 0.95, RMSEA (Root Mean Square Error of Approximation) < 0.06, SRMR (Standardized Root Mean Square Residual) < 0.08 (Hu & Bentler, 1999).

3

En AFE, identifiez les facteurs latents en examinant quelles variables chargent fortement sur chaque facteur ; interprétez le facteur conceptuellement en fonction du contenu des variables. Par exemple, si des éléments concernant la tristesse, le désespoir et l'anhédonie chargent tous >0.6 sur un facteur, étiquetez-le « dépression ». Rapportez les variances factorielles expliquées : la somme des saturations au carré divisée par le nombre de variables × 100 % donne la variance par facteur ; le total sur l'ensemble des facteurs indique l'ajustement global. Fiabilité au sein de chaque facteur : calculez l'alpha de Cronbach (≥0.70 acceptable, ≥0.80 bon) sur les variables chargeant sur ce facteur. En AFC, examinez les saturations factorielles standardisées (toutes devraient être > 0.4, idéalement > 0.6) ; des saturations non significatives suggèrent que les éléments mesurent mal le construit. Indices d'ajustement du modèle : le respect de tous les critères (CFI > 0.95, RMSEA < 0.06) soutient le modèle proposé. Les indices de modification suggèrent des chemins alternatifs ; cependant, l'ajustement du modèle basé sur les données (post-hoc) compromet la validité du modèle — utilisez des échantillons de validation croisée pour tester les modèles modifiés. Rapportez la variance expliquée par la variable latente pour chaque variable observée (R²).

Pièges courants

  • AFE basée sur les données avec de petits échantillons : capitalise sur le hasard ; la reproductibilité dans un nouvel échantillon est faible. Toujours effectuer l'AFE sur un échantillon exploratoire et valider sur un échantillon de rétention.
  • Extraction de facteurs basée uniquement sur le critère de Kaiser (valeur propre > 1) ; le graphique d'éboulis et l'analyse parallèle fournissent des indications supplémentaires et suggèrent souvent moins de facteurs.
  • Conservation de facteurs ininterprétables : si un facteur ne peut pas être étiqueté conceptuellement ou contient des saturations conceptuellement non liées, envisagez de le supprimer plutôt que de forcer l'interprétation.
  • Erreurs de spécification du modèle AFC : spécifier incorrectement la structure factorielle, omettre des chemins théoriquement pertinents ou autoriser des erreurs corrélées sans justification compromet la validité.
  • Mauvaise interprétation de l'ampleur de la saturation factorielle : les saturations sont des corrélations, pas des régressions ; une saturation de 0.5 n'explique que 25 % de la variance de la variable (R² = 0.5²).
  • Utilisation d'une rotation inappropriée : varimax (orthogonale) impose des facteurs non corrélés ; oblimin (oblique) permet des corrélations. Choisissez en fonction de la théorie ; la rotation orthogonale est souvent irréaliste.

Questions fréquentes

Quelle est la différence entre l'analyse factorielle exploratoire et confirmatoire ?

L'analyse factorielle exploratoire (AFE) découvre la structure latente à partir des données sans théorie préalable ; vous laissez les données guider le nombre de facteurs et les variables qui chargent sur quels facteurs. Utilisez l'AFE lorsque vous étudiez un nouveau construit ou une nouvelle échelle. L'analyse factorielle confirmatoire (AFC) teste une structure factorielle hypothétique spécifiée avant l'analyse, basée sur la théorie et la recherche antérieure. L'AFC fournit des tests d'ajustement formels et est plus rigoureuse statistiquement. Pratique courante : effectuer une AFE sur un échantillon d'entraînement pour proposer un modèle, puis valider avec une AFC sur un échantillon test indépendant (ou utiliser la validation croisée). Ne jamais effectuer une AFE sur le même échantillon utilisé pour la validation AFC.

Combien de facteurs dois-je extraire ? Que me dit le graphique d'éboulis ?

Plusieurs critères guident l'extraction des facteurs : (1) Le critère de Kaiser (valeur propre > 1) est traditionnel mais suggère souvent trop de facteurs. (2) Le graphique d'éboulis (scree plot) : les valeurs propres sont tracées par ordre décroissant ; conservez les facteurs avant le coude (point où les rendements décroissants commencent). L'« éboulis » est la pente après le coude. (3) L'analyse parallèle : comparez les valeurs propres empiriques à celles issues de permutations aléatoires ; ne conservez que les facteurs dépassant la ligne de base aléatoire. L'analyse parallèle est la plus défendable statistiquement. (4) L'interprétabilité : ne conservez que les facteurs que vous pouvez étiqueter et expliquer conceptuellement. Différents critères donnent souvent des nombres différents ; consultez plusieurs méthodes et la théorie.

Que signifie une saturation factorielle de 0.6, et en quoi est-elle différente d'un coefficient de fiabilité ?

Une saturation factorielle de 0.6 est la corrélation entre une variable observée et un facteur latent ; elle indique que la variable contribue à mesurer ce facteur. La saturation au carré (0.6² = 0.36) est la proportion de la variance de la variable expliquée par le facteur. Les saturations > 0.4 sont minimalement acceptables ; > 0.6 est fort. Un coefficient de fiabilité (alpha de Cronbach, typiquement ≥0.70) mesure la cohérence interne : le degré auquel plusieurs variables mesurant le même construit sont corrélées entre elles. La saturation montre la relation avec le facteur latent ; l'alpha montre si les variables mesurent ensemble de manière cohérente un construit. Les deux sont importants : des saturations élevées et un alpha élevé soutiennent ensemble une dimension latente homogène.

Comment gérer les variables avec de faibles communalités ?

Communality is the proportion of a variable's variance explained by all factors (sum of squared loadings across factors). Low communalities (<0.3) suggest the variable is poorly represented by the factors, either because: (1) it measures a unique construct not captured by the factor model, (2) it is unreliable/noisy, or (3) the factor solution is incorrect. Options: remove the variable (simplify model if theoretically justified), add factors (may overfit), or investigate whether the variable genuinely belongs in the scale. Always examine item content; sometimes low communality reflects a poorly worded item rather than conceptual misfit.

Méthodes associées

Sources

  1. Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.

    Ouvrir la référence DOI
    Copié.
  2. Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.

    Ouvrir la référence DOI
    Copié.
  3. Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.

    Ouvrir la référence DOI
    Copié.