Universit de Montral

dpartement de sociologie

L'analyse factorielle et l'analyse de fidlit

notes de cours et exemples

Claire Durand, 2003

Notes aux lecteurs...

Ce texte a d'abord t prpar pour accompagner un cours
d'introduction l'analyse factorielle. J'ai tent qu'il soit aussi
complet que possible. Toutefois, la proccupation premire a
videmment influenc la forme.
Ce texte se veut une synthse pratique visant faciliter la
comprhension, l'excution et l'interprtation d'analyses
factorielles et de fidlit dans le processus de la validation de
mesures. Il s'inspire entre autres de la bibliographie prsente
en fin de texte et de l'exprience de l'auteure dans la conduite de
ce type d'analyse.
J'ai ajout la fin un texte de Lauri Tarkkonen qui explique
bien mon avis la diffrence entre analyse factorielle et analyse
en composantes principales.
Je suis ouverte et intresse vos commentaires et critiques qui
me permettront d'amliorer ventuellement le texte.

Claire Durand
durandc@ere.umontreal.ca
Table des matires
Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

1. Qu'est-ce que l'analyse factorielle? A quoi sert? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Les quations: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Type de questions auxquelles l'analyse factorielle permet de rpondre . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Analyse en composantes principales et analyse factorielle: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Analyse exploratoire et analyse confirmatoire: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1
2
3
3
4

2. Considrations thoriques et pratiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

3. Les types d'extraction d'une solution factorielle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4. Les types de rotation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
5. Les tapes de l'analyse factorielle de type exploratoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
6) Outils de diagnostic de la solution factorielle : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
A) adquation de la solution globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
a) Le dterminant de la matrice: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
b) La mesure de Kaiser-Meyer-Olkin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
c) Le test de sphricit de Bartlett: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
d) Le Graphique des valeurs propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
e) La matrice reproduite et les rsidus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
f) La structure obtenue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
B) Pertinence de garder une variable dans la solution. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
a) Les statistiques descriptives des variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
b) La qualit de la reprsentation (communality) de chaque variable avec la solution factorielle
initiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
c) La simplicit ou la complexit de chaque variable dans la solution factorielle
finale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
d) Un cas spcial: le Heywood case . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
7) Commandes pour l'analyse factorielle avec SPSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
8) Qu'est ce que l'analyse de fidlit? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Deux concepts cls: La fidlit et la validit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Plusieurs types de validit: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
La fidlit: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17
18
19
19

9) L'analyse de fidlit : aspects pratiques et outils diagnostiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

10) L'analyse de fidlit avec SPSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
11) Notes additionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
a) Relation entre l'analyse factorielle, l'analyse en composantes principales et l'analyse de
fidlit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
b) Attention aux valeurs manquantes: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Factor analysis and Principal components analysis, what's the difference? (L. Tarkkonen) . . . . . . . . . . . . . . . . . . 26

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

1. Qu'est-ce que l'analyse factorielle? A quoi sert?

On utilise le terme gnrique d'analyse factorielle pour parler de deux types d'analyse ayant de
nombreux liens de parent mais lgrement diffrentes: l'analyse en composantes principales
et l'analyse factorielle proprement dite. Avant d'examiner les diffrences entre ces deux types
d'analyse, il est pertinent de voir les points communs la famille des analyses factorielles.
L'analyse factorielle cherche rduire un nombre important d'informations (prenant la forme
de valeurs sur des variables) quelques grandes dimensions. Comme dans toute analyse
statistique, on tente donc d'expliquer la plus forte proportion de la variance (de la covariance
dans le cas de l'analyse factorielle) par un nombre aussi restreint que possible de variables
(appeles ici composantes ou facteurs). On utilise le terme de variables latentes pour parler de
ces variables qui existent au plan conceptuel seul et qui ne sont pas mesures.

Exemple:
- De faon mesurer la satisfaction des gens face leur travail, j'ai d'abord dtermin que celleci portait sur trois grandes dimensions: la qualit des relations interpersonnelles, la nature mme
du travail et les aspects extrinsques (salaire, horaire,...).
- Pour chacune des dimensions, j'ai pos quatre (4) questions du type "Etes-vous trs satisfait,
assez satisfait, peu satisfait ou pas du tout satisfait a) de la qualit de vos relations avec vos
collgues... b) de la qualit de vos relations avec vos suprieurs... c) de la qualit de vos
relations avec vos subordonns d) de la qualit gnrale des relations interpersonnelles votre
travail...
- En agissant ainsi, je suppose qu'une dimension gnrale de satisfaction face au climat des
relations interpersonnelles existe et que le positionnement des individus face cette dimension
"explique", "prdit" leur positionnement sur chacune des "variables mesures".
- Si cette hypothse est vraie, les personnes auront tendance rpondre de la mme manire aux
quatre questions portant sur cette dimension et leurs rponses ces questions seront plus
correles entre elles qu'avec les autres variables pour lesquelles on demande leur degr de
satisfaction.
- Cette perspective suppose aussi que l'on conoit que les variables mesures constituent un
chantillon de l'ensemble des variables aptes mesurer le concept choisi.
L'analyse factorielle tente de donner un sommaire des patrons de corrlations entre les
variables. Elle tente de dcomposer les patrons de corrlations pour les expliquer par un
nombre restreint de dimensions. Elle est souvent utilise comme mthode d'analyse
exploratoire en vue de crer des chelles.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

Les quations:
Contrairement l'entendement intuitif, il faut comprendre que ce sont les rponses aux variables
mesures qui dpendent des scores aux facteurs et non pas l'inverse. Ainsi, l'analyse pose que
la rponse des individus diverses questions portant, par exemple, sur leur satisfaction face aux
relations avec leurs collgues ou avec leurs suprieurs dpend de deux lments: d'une part, la
satisfaction gnrale face aux relations interpersonnelles et d'autre part, un lment rsiduel qui
comprend l'erreur de mesure et un aspect unique propre la satisfaction spcifique qui est
mesure.
Les quations s'crivent ainsi:
S'il y a un seul facteur et trois variables:
x1 = b1F+U1
x2 = b2F+U2
x3 = b3F+U3
o:

et

x1 est la valeur pour la variable 1

b1 est la valeur du coefficient de rgression et donne l'importance de l'influence de F sur
x1
F est la valeur thorique du facteur F
U1 est la valeur de l'lment rsiduel comprenant le facteur unique la variable 1.

Similairement, s'il y avait n facteurs, l'quation pour chaque variable s'crirait:

xi= bi1F1 + bi2F2+...binFn + Ui
Ainsi, dans le cas par exemple d'un questionnaire de sondage ou d'un test, on peut dire que la
rponse que donne un individu une question pose est conue comme une combinaison
linaire 1) de la rponse thorique qu'il donnerait une variable globale que l'on ne peut pas
mesurer directement et 2) d'autres facteurs relis entre autres la question spcifique qui est
pose.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

Type de questions auxquelles l'analyse factorielle permet de rpondre (Tabachnik et Fidell,

1989: 601)
- Combien de facteurs sont ncessaires pour donner une reprsentation juste et parcimonieuse
des donnes?
- Quelle est la nature de ces facteurs, comment peut-on les interprter?
- Quelle proportion de la variance des donnes peut tre explique par un certain nombre de
dimensions (facteurs) majeures?
- Jusqu' quel point la solution factorielle est conforme la thorie que je voulais vrifier?
- La structure factorielle est-elle la mme pour divers groupes?
- (Quel score auraient obtenu les sujets si on avait pu mesurer les facteurs?)

Analyse en composantes principales et analyse factorielle:

- L'analyse en composantes principales (ACP) cherche une solution l'ensemble de la variance
des variables mesures. De plus, elle cherche une solution o les composantes sont
orthogonales (c'est--dire indpendantes entre elles)1. Quelque soit la matrice de corrlations,
il y a toujours une solution en ACP. L'ACP maximise la variance explique.
- L'analyse factorielle (A.F.) cherche une solution la covariance entre les variables mesures.
Elle tente d'expliquer seulement la variance qui est commune au moins deux variables et
prsume que chaque variable possde aussi une variance unique reprsentant son apport propre.
Les divers modes d'extraction visent maximiser une bonne reproduction de la matrice de
corrlations originale.

Quoiqu'il soit possible de faire des rotations orthogonales ou obliques en ACP, cette utilisation ne
respecte pas les bases mmes de l'ACP, savoir une solution unique et des composantes indpendantes entre elles
qui expliquent chacune une proportion dcroissante de la variance.
Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

Analyse exploratoire et analyse confirmatoire:

L'analyse habituellement effectue par les logiciels courants (SPSS, BMDP, SAS) est une
analyse de type exploratoire puisqu'elle ne permet pas de dterminer l'avance quelles variables
devraient tre lies quels facteurs. Lorsque la solution factorielle propose par le logiciel (la
solution statistique) confirme nos hypothses de dpart, c'est bon signe. Lorsque ce n'est pas
le cas, ceci n'infirme pas ncessairement nos hypothses, ceci parce qu'une multitude de
solutions sont possibles pour chaque analyse et que le logiciel ne peut en proposer qu'une seule,
celle qui est la plus approprie statistiquement. Une autre solution, plus conforme nos
hypothses, peut tre presque aussi bonne que la solution propose et on ne peut pas le vrifier.
L'analyse factorielle confirmatoire permet de dterminer non seulement le nombre de facteurs
mais aussi l'appartenance de chaque variable un ou plusieurs facteurs. Ce type d'analyse doit
tre utilis avec prcaution, lorsque l'on est vraiment l'tape finale de la confirmation d'un
modle. Elle ncessite l'utilisation de logiciels permettant de faire des analyses par quations
structurales (EQS et LISREL, maintenant AMOS en module de SPSS version 7.0). LISREL VII
tait disponible comme module de SPSS (versions antrieures la version 7.0); toutefois, la
version VIII, une version Windows, est nettement plus conviviale.

2. Considrations thoriques et pratiques (Tabachnik et Fidell, 1989: 603-605)

- Pour qu'une variable soit intgre dans l'analyse, sa distribution doit montrer une certaine
variance i.e. elle doit discriminer les positions des individus.
- Idalement, on cherche une structure simple, c'est--dire une solution o chaque variable
dtermine fortement un et un seul facteur.
- Lorsqu'une variable est corrle plus d'un facteur, on dit que c'est une variable complexe; on
peut dire que la signification des rponses cette variable s'interprte selon plusieurs
dimensions.
- La structure factorielle peut tre diffrente pour diffrentes populations. Il faut faire attention
ne pas regrouper pour l'analyse des populations trop diffrentes.
- Pour qu'une structure factorielle soit stable, elle doit avoir t vrifie sur un minimum de cas.
La rgle veut qu'il y ait un minimum de 5 cas par variable. Lorsque cette rgle n'est pas
respecte, plusieurs problmes peuvent survenir dont celui de la "matrice malade" (illconditioned matrix) ou le fait qu'une deuxime analyse avec une population diffrente donne
des regroupements trs diffrents. Il y a donc des problmes de stabilit, de fidlit, de la
solution factorielle.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

- Les variables utilises pour l'analyse devraient se distribuer normalement. Toutefois,

lorsqu'on utilise l'analyse factorielle uniquement comme outil exploratoire, il est possible de
"transgresser" cette rgle. Il faut alors utiliser une procdure d'extraction (Moindres carrs non
pondrs ou ULS en anglais) qui tient compte du fait que la distribution des variables n'est pas
normale. Si le but de l'analyse est l'infrence, le postulat de normalit est plus important et
certaines transformations normalisant la distribution peuvent tre effectues.
- La relation entre les paires de variables est prsume linaire.
- On devrait idalement reprer et liminer les cas ayant des patrons de rponses "anormaux"
(Cas aberrants)
- La matrice de corrlation ne peut pas tre singulire pour ce qui est de l'AF pure. Ceci
signifie que les variables ne peuvent pas tre ce point corrles entre elles qu'une variable
constitue une combinaison linaire d'une ou plusieurs autres variables; il y a alors redondance,
c'est--dire que la mme information est inscrite deux reprises. Mathmatiquement, les
produits de matrices ncessaires l'estimation ne peuvent tre effectus dans une telle situation.
- La matrice de corrlation doit contenir un patron, une solution factorielle. Certains
ensembles de variables doivent tre corrls entre eux, suffisamment pour qu'on puisse dire
qu'ils constituent un facteur. La solution factorielle doit aussi expliquer une proportion
suffisamment intressante de la variance pour que la rduction un nombre restreint de facteurs
ne se fasse pas au prix d'une perte importante d'information.
- Toutes les variables doivent faire partie de la solution c'est--dire tre corrles
minimalement avec une ou plusieurs variables, sinon elles constituent des cas aberrants et
doivent par consquent tre retires de l'analyse.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

3. Les types d'extraction d'une solution factorielle.

A) l'extraction de type ACP pour analyse en composantes principales (ou PC pour principal
components en anglais)
Ce type d'extraction produit ncessairement une solution et la solution produite est unique. Il
s'agit d'un solution maximisant la variance explique par les facteurs.
B) l'extraction pour l'analyse factorielle
Il y a plusieurs mthodes d'extraction. Il faut souligner que lorsque la solution factorielle est
stable, les diverses mthodes donnent des rsultats similaires, la plupart du temps identiques.
Les mthodes les plus utilises sont:
- ML pour maximum de vraisemblance (ou maximum likelihood en anglais) : maximise la
probabilit que la matrice de corrlation reflte une distribution dans la population. Cette
mthode produit aussi un test de P2 de rapport de vraisemblance qui indique si la solution
factorielle est plausible. La probabilit de ce test doit tre suprieure .05, c'est--dire que
l'on ne doit pas rejeter l'hypothse nulle qui veut que le modle soit compatible avec les
donnes.
La mthode est toutefois sensible aux dviations la normalit des distributions: on rencontre
frquemment des problmes lorsqu'on utilise cette mthode avec des chelles ordinales de type
trs, assez, peu, pas du tout.
- ULS pour moindres carrs non pondrs (ou unweighted least square en anglais) : minimise
les rsidus. Cette mthode est privilgie lorsque les chelles de mesure sont ordinales ou que
la distribution des variables n'est pas normale. Cette situation se prsente frquemment en
sciences sociales, particulirement lorsque l'on mesure des attitudes.
alpha-maximisation : Cette mthode est trs peu utilise et trs peu connue. Elle s'avre
pertinente lorsque le but de l'analyse est de crer des chelles puisqu'elle tente de maximiser
l'homognit l'intrieur de chaque facteur et donc, la fidlit.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

4. Les types de rotation

La rotation est le processus mathmatique qui permet de faciliter l'interprtation des facteurs en
maximisant les saturations les plus fortes et en minimisant les plus faibles de sorte que chaque
facteur apparaisse dtermin par un ensemble restreint et unique de variables. Ce processus est
effectu par rotation, repositionnement des axes.
Deux types de rotations:
rotation orthogonale: On utilise cette rotation avec l'ACP2 et avec l'analyse factorielle (AF)
lorsque l'on croit qu'il est possible de dterminer des facteurs qui soient indpendants les uns
des autres. Une solution orthogonale est toujours prfrable parce qu'une telle solution indique
que chaque facteur apporte une information unique, non partage par un autre facteur.
Toutefois, ce type de solution est rarement possible en sciences sociales puisque habituellement,
il existe des liens conceptuels entre les facteurs. Il existe trois mthodes pour produire une
rotation orthogonale; la plus frquemment utilise est VARIMAX.
rotation oblique: La rotation oblique, utilise surtout avec l'A.F. puisquelle est
conceptuellemnet plus approprie dans ce cas, permet qu'il y ait corrlation entre les facteurs.
Comme elle correspond habituellement mieux la ralit, elle est frquemment utilise en
sciences sociales. La mthode utilise est OBLIMIN.

voir note de bas de page 1 page 3

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

5. Les tapes de l'analyse factorielle de type exploratoire

a) dterminer l'ensemble des variables qui seront analyses conjointement.
b) idalement, examiner cet ensemble de faon conceptuelle et dterminer la solution qui
apparatrait plausible au plan du nombre de facteurs et du regroupement des variables.
c) - Effectuer une analyse en composantes principales avec rotation orthogonale (varimax) en
laissant la procdure dfinir le nombre de facteurs par dfaut;
- effectuer en mme temps une analyse factorielle (lorsque c'est le but final de l'analyse) avec
une rotation orthogonale et une rotation oblique (oblimin). Le nombre de facteurs par dfaut
est dtermin par un critre, celui dune valeur propre plus grande que 1.0. Le Graphique des
valeurs propres donne aussi des indications quant au nombre de facteurs appropris.
d) Examiner cette analyse pour dterminer les lments suivants:
- comparer la ou les solutions proposes avec l'hypothse de regroupement faite au
dpart.
- Pour chacune des variables, dcider du maintien dans les analyses subsquentes partir
des critres suivants:
1) voir si la qualit de la reprsentation ("communality" - A.F. statistiques
initiales) est suffisamment bonne pour le maintien dans l'analyse.
2) voir si les variables appartiennent un seul facteur ou plusieurs. Une trop
grande complexit d'une variable justifierait son retrait.
3) examiner paralllement la pertinence des regroupements et la pertinence
thorique de maintenir ou de retirer une variable plutt qu'une autre.
4) examiner les divers indices de pertinence de la solution factorielle
e) refaire l'analyse de faon itrative jusqu' arriver une solution simple satisfaisante.
Le test d'une bonne analyse factorielle rside, en fin de compte, dans la signification des
rsultats. C'est le chercheur qui "dcode" la signification conceptuelle de chaque facteur. Il
faut donc pouvoir nommer chaque facteur.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

Deux problmes se posent:

1) Le critre de la justesse de l'analyse est en partie subjectif (Est-ce que le regroupement fait du
sens?). Il faut faire particulirement attention la tendance qu'ont certains chercheurs donner
aux facteurs des noms qui font du sens et qui impressionnent mais qui ne refltent pas ce qui a
t mesur.
2) Il y a une infinit de solutions possibles aprs rotation; il n'y a donc pas une seule "bonne"
solution. Il est alors difficile de dcrter que la solution prsente est "la solution". Il faut la
prsenter comme une solution plausible qui n'est pas contredite par les donnes.

6) Outils de diagnostic de la solution factorielle :

Si le principal critre d'un bonne solution factorielle demeure sa justesse au plan thorique, au
plan du sens, il demeure que plusieurs outils statistiques nous guident dans la recherche de la
meilleure solution possible. Voici une brve prsentation des principaux outils diagnostiques
utiliss. L'exemple prsent permettra d'en comprendre l'utilisation de faon plus pousse.
A) adquation de la solution globale
a) Le dterminant de la matrice:
Un dterminant gal a zro signifie qu'au moins une variable est une combinaison linaire
parfaite d'une ou de plusieurs autres variables. Il y a donc une variable qui ne rajoute aucune
information nouvelle au-del de celle fournie par les autres variables. Dans ce cas l'analyse ne
peut procder pour des raisons mathmatiques (Il est impossible d'inverser la matrice). Notons
que nous recherchons un dterminant trs petit, ce qui constitue un bon indice de l'existence de
patrons de corrlations entre les variables, mais non gal zro.
On obtient le dterminant
- en indiquant DTERMINANT dans la fentre CARACTRISTIQUES (SPSS Windows)3.
- en indiquant DET dans la sous-procdure /PRINT (SPSS syntaxe)

La mention SPSS Windows rfre l'item ANALYSE FACTORIELLE du menu droulant ANALYSEFACTORISATION La mention SPSS syntaxe rfre la version UNIX ou PC ainsi qu ' la syntaxe que l'on peut
diter soi-mme dans la version Windows.
Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

b) La mesure de Kaiser-Meyer-Olkin
Plus communment appel le KMO, la mesure de Kaiser-Meyer-Olkin est un indice
d'adquation de la solution factorielle. Il indique jusqu' quel point l'ensemble de variables
retenu est un ensemble cohrent et permet de constituer une ou des mesures adquates de
concepts. Un KMO lev indique qu'il existe une solution factorielle statistiquement acceptable
qui reprsente les relations entre les variables.
Une valeur de KMO de moins de .5 est inacceptable
.5 est misrable
.6 est mdiocre
.7 est moyenne
.8 est mritoire
.9 est merveilleuse (ref: SPSS professional statistics)
Le KMO reflte le rapport entre d'une part les corrlations entre les variables et d'autre part, les
corrlations partielles, celles-ci refltant l'unicit de l'apport de chaque variable.
On obtient le KMO
- en indiquant Indice KMO et test de Bartlett dans la fentre CARACTRISTIQUES
(SPSS Windows).
- en indiquant KMO dans la sous-procdure /PRINT (SPSS syntaxe)
c) Le test de sphricit de Bartlett:
Ce test vrifie l'hypothse nulle selon laquelle toutes les corrlations seraient gales zro. On
doit donc tenter de rejeter l'hypothse nulle i.e. que le test doit tre significatif (la probabilit
d'obtenir la valeur du test doit tre plus petite que .05). Toutefois le test est trs sensible au
nombre de cas; il est presque toujours significatif lorsque le nombre de cas est grand. Ses
rsultats sont donc intressants presque uniquement lorsqu'il y a moins de 5 cas par variable.
On obtient le test de sphricit automatiquement
- avec l'indication Indice KMO et test de Bartlett dans la fentre CARACTRISTIQUES
(SPSS Windows).
- avec l'indication KMO dans la sous-procdure /PRINT (SPSS syntaxe)

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

10

d) Le test du coude de Cattell

Le Graphique des valeurs propres donne une reprsentation graphique des informations sur les
valeurs propres de chaque facteur prsentes dans le tableau des statistiques initiales. Dans cette
reprsentation, il faut rechercher le point (parfois les points) de cassure qui reprsente le nombre
de facteurs au-del duquel l'information ajoute est peu pertinente. Plus la courbe est accentue,
plus il apparat qu'un petit nombre de facteurs explique la majeure partie de la variance. A partir
du moment o la courbe devient presque une ligne droite horizontale, il apparat que les facteurs
subsquents apportent peu de nouvelles informations.
Note : Les valeurs propres reprsentent la variance explique par chaque facteur. Elles sont
constitues de la somme des poids factoriels au carr de toutes les variables pour un facteur
dtermin.
On obtient cette reprsentation
- en indiquant Graphique des valeurs propres dans l'item "afficher" de la fentre
EXTRACTION (SPSS Windows).
- en indiquant EIGEN dans la sous-procdure /PLOT (SPSS syntaxe)

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

11

e) La matrice reconstitue et les rsidus

L'analyse en composantes principales, tout comme l'analyse factorielle, constitue une
dcomposition de la matrice des corrlations entre les variables.
Ainsi, si l'on effectue une analyse en composantes principales et que l'on demande autant de
facteurs qu'il y a de variables dans l'analyse, la matrice de corrlation reconstitue sera
identique la matrice de corrlation initiale.
Ce n'est pas le cas pour l'analyse factorielle puisque celle-ci tente d'expliquer non pas la variance
totale mais uniquement la covariance entre les variables. Donc, mme avec autant de facteurs
que de variables, la matrice qui est cre lorsque l'on tente l'opration inverse, c'est--dire de
reproduire les corrlations d'origine partir des informations extraites des facteurs suite
l'analyse, ne reproduira pas les corrlations originales la perfection, il restera des rsidus.
Il restera d'autant plus de rsidus que l'on garde seulement une partie des facteurs.
Donc, plus la solution factorielle est bonne, plus la matrice reconstitue s'approche de la matrice
de corrlation initiale et moins les rsidus sont importants. L'indication d'une proportion faible
de rsidus plus grands que .05 signifie que la solution est approprie. Ces rsidus devraient
quand mme tre examins pour voir s'il n'y a pas des cas aberrants.
On obtient la matrice reproduite et la matrice des rsidus
- en demandant RECONSTITUE dans la fentre CARACTRISTIQUES (SPSS Windows).
- en indiquant REPR dans la sous-procdure /PRINT (SPSS syntaxe)

f) La structure obtenue
La structure obtenue, c'est--dire le tableau des corrlations entre les variables et les facteurs
(Matrice des composantes en rotation orthogonale et Matrice des types en rotation oblique), doit
tre simple, ce qui veut dire que chaque variable doit avoir une corrlation plus grande que .3
avec au moins un facteur et avec un seul facteur.
Ces matrices sont imprimes automatiquement
- en indiquant Structure aprs rotation dans la fentre ROTATION (SPSS Windows). Pour
avoir ces mmes tableaux avant rotation, on indique Structure factorielle sans rotation dans
la fentre EXTRACTION.
- en indiquant DEFAULT dans la sous-procdure /PRINT (SPSS syntaxe)

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

12

B) Pertinence de garder une variable dans la solution.

a) Les statistiques descriptives des variables

Les variables, par dfinition, doivent montrer une certaine variation du positionnement des
individus quant ce qui est mesur. En ce sens, un cart-type important et une moyenne qui se
rapproche du milieu de l'chelle de mesure (exemple: moyenne de 2.5 pour une chelle 4
catgories) sont de bons indices que la variable apporte une information susceptible d'aider
diffrencier les individus.

Ces statistiques sont produites

- en indiquant Caractristiques univaries dans la fentre CARACTRISTIQUES (SPSS
Windows).
- en indiquant UNIVARIATE dans la sous-procdure /PRINT (SPSS syntaxe)

b) La qualit de la reprsentation de chaque variable avec la solution factorielle initiale

On doit examiner les statistiques de qualit de la reprsentation pour l'analyse factorielle
proprement dite (et non lACP) et ceci avant lextraction d'un nombre restreint de facteurs. La
qualit de la reprsentation indique alors l'appartenance de chaque variable la covariance de
l'ensemble des variables. C'est la variance de chaque variable qui peut tre explique par
l'ensemble des autres variables. On considre que la qualit de la reprsentation doit tre
minimalement de .20 pour justifier le maintien de la variable dans l'analyse.
Par ailleurs, quoique ce soit un indice diffrent, il pourrait arriver qu'une variable ait une bonne
qualit de la reprsentation avec la solution initiale mais non avec la solution aprs extraction
d'un nombre restreint de facteurs. Ceci se reflterait probablement par le fait que cette variable
ne se regrouperait pas avec les autres dans la solution factorielle; elle dterminerait entirement
un facteur.
NOTE: La somme des poids factoriels au carr pour une variable donne gale la qualit de la
reprsentation de cette variable.
On obtient ces informations
- en indiquant Structure initiale dans la fentre CARACTRISTIQUES (SPSS Windows).
- via DEFAULT dans la sous-procdure /PRINT (SPSS syntaxe)

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

13

c) La simplicit ou la complexit de chaque variable dans la solution factorielle finale

Une variable est dite complexe lorsqu'elle est corrle substantiellement (saturation factorielle
plus grande que 0,30 plus d'un facteur). On peut dire que les rponses cette variable refltent
plus d'un concept. Ainsi, il pourrait arriver que la satisfaction face aux avantages sociaux soit
corrle deux facteurs, un portant sur la rmunration (associ au salaire) et l'autre portant sur
la scurit d'emploi. Cela entrane un problme lorsque l'on veut crer des chelles : Avec
quelle chelle devrait-on regrouper cette variable, celle portant sur la rmunration ou celle
portant sur la scurit?
Il y a plusieurs manires de traiter ce problme en fonction de l'importance thorique de la
variable, du choix quant au nombre de facteurs, de la rotation (orthogonale ou oblique)
privilgie. Dans le cas o d'autres variables amnent une information similaire, on peut retirer
la variable considre comme complexe. Il arrive qu'on la maintienne dans l'analyse; lorsque
l'on veut crer les chelles, on dcide de son appartenance une chelle plutt qu'une autre
partir des informations fournies par les analyses de fidlit et partir de considrations
thoriques.
Ces informations sont tires des matrices factorielles (Matrice des composantes ou Matrice des
types) que l'on obtient
- en indiquant Structure aprs rotation dans la fentre ROTATION (SPSS Windows).
- en indiquant DEFAULT dans la sous-procdure /PRINT (SPSS syntaxe)

d) Un cas spcial: le Heywood case

On parle de cas Heywood lorsque, d aux relations entre les variables, il y a un problme dans
les calculs et la qualit de la reprsentation devient plus grande que 1.0. On repre un cas
Heywood case
- lorsque la qualit de la reprsentation d'une variable est note comme
tant .9998 ou .9999.
- lorsque la saturation factorielle de la variable est plus grande que 1.0. (SPSS met un
avertissement disant que la qualit de la reprsentation d'une ou de plusieurs variables
est plus grande que 1.0).
Le cas Heywood est d au fait que la variable est trop fortement corrle une ou plusieurs
autres variables. Dans ce cas, il faut dcider soit de retirer la variable des analyses
subsquentes soit de retirer une autre variable avec laquelle elle est fortement corrle.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

14

En rsum, voici les commandes pour l'analyse factorielle avec Spss -Windows:
6 Allez dans ANALYSE,
6 choisir FACTORISATION - ANALYSE FACTORIELLE
Dans le tableau principal de l'analyse factorielle
a) Choisir les VARIABLES que l'on veut analyser
b) Dans CARACTRISTIQUES :

- STATISTIQUES 6 CARACTRISTIQUES UNIVARIES

6 STRUCTURE INITIALE
- MATRICE DE CORRLATIONS
6 COEFFICIENTS
6 DTERMINANT
6 INDICE KMO ET TEST DE BARTLETT
6 MATRICE DES CORRLATION RECONSTITUE

c) Dans EXTRACTION :

- METHODE4

- EXTRAIRE

- AFFICHER

d) Dans ROTATION:

- MTHODE
- DISPLAY

e) Dans OPTIONS:

6COMPOSANTES PRINCIPALES (PC)

6MOINDRES CARRS NON PONDRS (ULS)
6ALPHA-MAXIMISATION
6...
6VALEURS PROPRES SUPRIEURES 1.0
6NOMBRE DE FACTEURS =
6MAXIMUM DES ITRATIONS POUR CONVERGER (pour
augmenter le nombre d'itrations ncessaires la
convergence).
6STRUCTURE FACTORIELLE SANS ROTATION
6GRAPHIQUE DES VALEURS PROPRES
6VARIMAX
6OBLIMIN DIRECTE
6STRUCTURE APRS ROTATION
6CARTE(S) FACTORIELLE(S) (par dfaut: 3-D pour 3
premiers facteurs; si on veut un graphique des facteurs
deux par deux, il faut diter la syntaxe en rajoutant une
parenthse (n1 n2) aprs l'indication PLOT)

- VALEURS MANQUANTES
6 EXCLURE TOUTE OBSERVATION INCOMPLTE OU EXCLURE
SEULEMENT LES COMPOSANTES NON VALIDES OU
REMPLACER PAR LA MOYENNE
- AFFICHAGE DES PROJECTIONS
6CLASSEMENT DES VARIABLES PAR TAILLE
6SUPPRIMER LES VALEURS ABSOLUES INFRIEURES (.30)

Nota bene : On ne peut pas choisir plus d'une mthode la fois. C'est la mme chose pour les rotations.
Il est habituellement prfrable d'diter le fichier de syntaxe de faon pouvoir faire plusieurs analyses la fois,
sinon il faut diter le fichier Rsultats pour ne pas faire imprimer plusieurs fois les mmes informations.
Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

15

7) Commandes pour l'analyse factorielle avec SPSS

En rsum, une commande d'analyse factorielle dans SPSS qui donnerait l'ensemble des
informations ncessaires prsentes plus haut aurait la forme suivante:
COMMANDE, SOUS-COMMANDE

SIGNIFICATION

FACTOR /VAR=NATURE3 TO RECON8

CARRIER1 STABIL2 PERFECT9 SECUR13
SALAIR10 TO HORAIR12
* Dans Windows, slectionner les variables

FACTOR: demande une analyse factorielle

/VAR= liste des variables qui seront analyses

/PRINT DEFAULT UNIVARIATE

CORRELATION REPR DET KMO
*Dans Windows, choisir Structure initiale,
Caractristiques univaries, Coefficients,
Reconstitue, Dterminant et Indice KMO et test
de Bartlett dans CARACTRISTIQUES

/PRINT indique les informations qui devront

tre imprimes, dans ce cas-ci, les statistiques
par dfaut, les statistiques univaries pour
chaque variable, la matrice de corrlation
originale, la matrice reproduite, le dterminant,
le KMO et le test de sphricit.

/CRITERIA FACTORS (4)

/CRITERIA permet de spcifier, lorsque

ncessaire, des critres tels le nombre de
facteurs et le nombre d'itrations; dans ce casci, on demande 4 facteurs.

* Dans Windows, cette option est disponible

dans la fentre EXTRACTION
/PLOT EIGEN *ROTATION (1,2)
* Dans Windows, on demande le Graphique des
valeurs propres (eq. de PLOT EIGEN) dans la
fentre EXTRACTION et Carte factorielle dans
la fentre ROTATION (eq. de ROTATION). Par
dfaut , cette dernire indication donne un
graphique en 3 dimensions des 3 premiers
facteurs, le cas chant. Pour obtenir des
graphiques en deux dimensions , il faut diter la
syntaxe.

/PLOT permet de demander des graphiques des

valeurs de eigen ou des facteurs; dans ce cas-ci
on demande le graphique des valeurs de eigen
et celui des deux premiers facteurs

/FORMAT SORT BLANK (.3)

* Dans Windows, la fentre OPTIONS donne
lAffichage des projections. On clique
Classement des variables par taille et Supprimer
les valeurs absolues infrieures __. On change
la valeur par dfaut (.10) .30.

/FORMAT contrle l'apparence; dans ce cas-ci

SORT permet que les variables apparaissent
dans les matrices factorielles en fonction de leur
importance et selon les facteurs et BLANK (.3)
permet que les saturations factorielles
infrieures .3 n'apparaissent pas dans
l'impression ce qui facilite la lecture.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

16

/EXTRACTION PC
/ROTATION VARIMAX
/EXTRACTION ULS
/ROTATION VARIMAX
/ROTATION OBLIMIN.
*Dans SPSS Windows, il faut, pour chaque
extraction ou rotation, refaire la commande
dAnalyse facorielle au complet (i.e. choisir le
mode d'extraction appropri dans EXTRACTION
et la rotation dsire dans ROTATION). Il est
nettement prfrable d'diter la commande pour
demander les extractions et rotations pour un
ensemble de variables dtermin en une seule
commande. Attention, c'est dans la fentre
EXTRACTION que l'on demande le Graphique
des valeurs propres (Scree plot) ainsi que la
solution factorielle sans rotation et que l'on
dfinit les critres (nombre de facteurs et/ou
ditrations) le cas chant. Dans ROTATION,
on demande la Structure aprs rotation et les
cartes factorielles (loading plots).

EXTRACTION spcifie le type d'extraction et

ROTATION le type de rotation. Dans ce cas-ci,
on demande une premire analyse avec une
extraction PC (en composantes principales)
avec une rotation orthogonale et une deuxime
analyse avec extraction ULS (moindres carrs
non pondrs) comprenant une rotation
orthogonale et une rotation oblique.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

17

8) Qu'est ce que l'analyse de fidlit?

Blalock (1968):
"Les sociologues thoriciens utilisent souvent des concepts qui sont formuls un assez haut
niveau d'abstraction. Ce sont des concepts relativement diffrents des variables utilises qui sont
le lot des sociologues empiriques... Le problme du lien entre la thorie et la recherche peut donc
tre vu comme une question d'erreur de mesure".
La mesure peut tre vue comme le "processus permettant de lier les concepts abstraits aux
indicateurs empiriques" (Carmines et Zeller, 1979).
Deux concepts cls: La fidlit et la validit
Fidlit:

Consistance dans la mesure : Jusqu' quel point plusieurs mesures prises avec le
mme instrument donneront les mmes rsultats dans les mmes circonstances.
Exemple: Je fais passer un questionnaire portant sur l'idologie deux fois aux
mmes personnes deux mois d'intervalle et j'obtiens des rsultats diffrents
entre les deux passations. Est-ce que l'idologie d'une personne peut changer si
vite ou si c'est l'instrument qui n'est pas fiable?

La fidlit demeure au plan empirique: elle dit si en soi l'instrument est un bon instrument.
Validit:

Jusqu' quel point l'instrument mesure ce qu'il est suppos mesurer.

Exemple: Si j'utilise une srie de questions censes mesurer les prfrences
idologiques et que je me rends compte que j'ai en fait mesur l'identification
un parti politique, ma mesure est une mesure non valide de l'idologie.

La validit concerne la relation entre la thorie et les concepts qui lui sont relis d'une part et
la mesure d'autre part: elle est concerne par l'adquation de la traduction du concept en mesure.
Plusieurs types de validit:
validit relie au critre: relation entre l'instrument et ce quoi il devrait thoriquement tre
reli. On parle de validit prdictive quand le critre est mesur aprs et de validit concurrente
quand le critre est mesur en mme temps.
validit de contenu: relation entre le /les concepts mesurer et l'instrument utilis. Un instrument
de mesure de l'alination mesurera le sentiment d'absence de pouvoir, d'absence de normes,
d'isolation sociale, etc. Ceci implique que le domaine et les concepts doivent tre bien dfinis.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

18

validit de construit: relation entre l'instrument et d'autres instruments suppos mesurer des
concepts relis.
validit convergente et discriminante: voir analyse factorielle: Jusqu' quel point chaque
indicateur constitue une mesure d'un et d'un seul concept.
La fidlit:

6 thorie classique des tests:

6 le score observ (qui peut-tre par exemple la rponse d'une personne une
question) est une combinaison linaire d'une partie reprsentant le score vrai
et d'une partie d'erreur alatoire.
X=t+e
o "t" reprsente le score vrai
et "e" reprsente l'erreur alatoire

6 la corrlation entre deux scores observs constitue un estim de la fidlit des

mesures 6 Ds qu'on a plus d'une mesure d'un mme concept, on peut estimer
la fidlit D ; on peut concevoir l'erreur moyenne de mesure comme la
rciproque de la fidlit, "1-D ". Dans la thorie classique des tests, ceci est vrai
si les scores vrais et la variance d'erreur sont identiques (i.e. les mesures sont
parallles).
Diverses manires de mesurer la fidlit:
fidlit test-retest: corrlation entre la mesure prise un temps 1 et la mesure prise un temps
2: fidlit dans le temps.
fidlit "split-half" entre deux sous-ensembles: Jusqu' quel point deux sous-ensembles des
items constituent deux mesures fidles du mme concept.
fidlit entre diffrentes formes: Jusqu' quel point deux ensembles diffrents d'items peuvent
mesurer le mme concept.
consistance interne: Jusqu' quel point chacun des items constitue une mesure quivalente d'un
mme concept.
On peut mesurer la consistance interne en utilisant le

6 Alpha de Cronbach:

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

19

o
et

"k" est le nombre d'items

coGv est la covariance moyenne entre les items
vaGr est la variance moyenne des items

Si les items sont standardiss de faon avoir la mme variance, la formule se modifie comme
suit:

o
et

"k" reprsente le nombre d'items dans l'chelle

"D) " est la corrlation moyenne

Ce coefficient Alpha peut tre considr comme la moyenne des coefficients alpha que l'on
obtiendrait pour toutes les combinaisons possibles de deux sous-ensembles des items mesurant
un mme concept. Il peut aussi tre vu comme l'estim de la corrlation que l'on obtiendrait
entre un test et une forme alternative du mme test comprenant le mme nombre d'items.
Le coefficient alpha est la borne infrieure de la fidlit relle i.e la fidlit relle ne peut pas
tre infrieure la valeur du alpha et elle est gale cette valeur lorsque les items sont parallles
i.e. les scores vrais ont la mme moyenne et la variance d'erreur est la mme.
Remarquer que la valeur de alpha augmente avec le nombre d'items, mais ce la condition que
la corrlation moyenne inter-item ne soit pas diminue avec l'ajout de nouveaux items (i.e.
toutes choses gales par ailleurs). L'amlioration du alpha devient marginale au-del d'un
certain nombre d'items (environ 6-7).

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

20

9) L'analyse de fidlit : aspects pratiques et outils diagnostiques

Plusieurs outils sont disponibles pour valuer la fidlit d'un ensemble de variables. La
procdure POSITIONNEMENT-ANALYSE DE FIABILIT de SPSS permet d'examiner les
informations pertinentes:
Matrice de corrlation: Tout comme avec l'analyse factorielle, cette matrice permet de voir
jusqu' quel point les items sont corrls entre eux et quels items sont plus fortement corrls.
S'il s'avrait que deux concepts sont mesurs plutt qu'un seul, les corrlations pourraient nous
permettre de reprer cette possibilit.

6 Dans SPSS Windows, on indique Corrlations dans COHRENCE INTER-ITEMS

6 Dans SPSS syntaxe, on indique la sous-commande CORR dans /STATISTICS
Statistiques univaries:
Pour chacun des items, on peut obtenir la moyenne et l'cart type, ce qui permet de voir si les
statistiques descriptives sont similaires pour les divers items,

6 Dans SPSS Windows, on indique Item dans CARACTRISTIQUES

6 Dans SPSS syntaxe, on indique la sous-commande DESCRIPTIVE dans /STATISTICS
Les statistiques d'chelle: indiquent quelle serait la moyenne, la variance et l'cart-type de
l'chelle si on additionnait les rponses chacun des items. Donne une ide des proprits
futures de l'chelle crer 6 la variance sera-t-elle suffisante?

6 Dans SPSS Windows, on indique Echelle dans CARACTRISTIQUES

6 Dans SPSS syntaxe, on indique la sous-commande SCALE dans /STATISTICS
Le sommaire des statistiques d'items: les moyennes: Donnent les indications sur les diffrences
de moyennes entre les items i.e minimum, maximum, moyenne, ratio maximum/minimum. Si
ces diffrences sont trop importantes, on pourrait penser que chaque item ne mesure pas le
concept de faon quivalente.

6 Dans SPSS Windows, on indique Moyennes dans PRINCIPALES STATISTIQUES

6 Dans SPSS syntaxe, on indique la sous-commande MEANS dans /SUMMARY
Le sommaire des statistiques d'items: les variances: Donnent les indications sur les diffrences
de variances entre les items. Mme interprtation que pour les moyennes.

6 Dans SPSS Windows, on indique Variances dans PRINCIPALES STATISTIQUES

6 Dans SPSS syntaxe, on indique la sous-commande VARIANCES dans /SUMMARY

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

21

Les statistiques d'items: les corrlations inter-items: Donnent les indications trs importantes
sur les diffrences de corrlations entre les items. Des corrlations trs faibles ou ngatives
devraient tre repres dans la matrice de corrlation et la pertinence de garder des items
montrant une corrlation ngative avec un ou plusieurs items value. Si cette situation existe,
soit que plus d'un concept est mesur, soit que certains items mesurent mal le concept ou que
l'chelle aurait due tre inverse pour cet item (Par exemple, dans le cas o des items sont
formuls ngativement et d'autres positivement).

6 Dans SPSS Windows, on indique Corrlations dans PRINCIPALES STATISTIQUES

6 Dans SPSS syntaxe, on indique la sous-commande CORR dans /SUMMARY
Les statistiques de la relation entre chaque item et le total (chelle):
Moyenne, variance qui rsulterait si on enlevait un item : La moyenne et la variance de l'chelle
ne devraient pas tre fortement modifis par le retrait d'un item sinon, ceci signifie que l'item
en question ne contribue pas de la mme manire la mesure du concept que les autres items.
Corrlation corrige: Il s'agit de la corrlation entre l'item et les autres items de l'chelle (i.e
l'chelle moins l'item en question). Cette corrlation devrait tre minimalement de .30 (comme
dans le cas de la corrlation entre chaque item et le facteur dans l'analyse factorielle).
Corrlation multiple au carr: Il s'agit de la variance de l'item explique par les autres items.
Plus elle est leve, plus l'item est une mesure commune du concept. Il s'agit de l'quivalent de
la "communaut" dans les statistiques initiales en analyse factorielle.
alpha si l'item tait enlev: Il est trs important de regarder cette information. Si un item
n'appartient pas l'chelle, alors la fidlit telle que mesure par le alpha serait suprieure si
l'item tait enlev. Donc, lorsque le "alpha if item deleted" est suprieur au alpha standardis,
ceci signifie que l'item en question est une mesure qui dtriore la fidlit de l'chelle.
Toutes les statistiques prcdentes sont obtenues
6 Dans SPSS Windows, on indique Echelle sans litem dans CARACTRISTIQUES
6 Dans SPSS syntaxe, on indique la sous-commande SCALE dans /STATISTICS
ALPHA ET ALPHA STANDARDIS: Ces deux mesures sont similaires lorsque les moyennes
et les variances des items diffrent peu. L'valuation d'un bon alpha est similaire celle du
KMO: On recherche une valeur suprieure .70, une valeur suprieure .90 tant magnifique.
10) L'analyse de fidlit avec SPSS
En rsum, voici les commandes pour l'analyse de fidlit avec Spss -Windows:
6 Allez dans ANALYSE,
6choisir POSITIONNEMENT- ANALYSE DE FIABILIT

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

22

Dans le tableau principal de l'analyse de fidlit

a) Choisir les VARIABLES (items) que l'on veut analyser
b) Cliquer sur LISTER LES TIQUETTES DITEM
c) Dans MODLE :

- choisir le type d'analyse 6 ALPHA

- autres choix (split-half, Guttman, parallel, strict parallel)

d) Dans STATISTIQUES :

- CARACTRISTIQUES POUR
6 ITEM
6 CHELLE
6 CHELLE SANS LITEM
- PRINCIPALES STATISTIQUES
6 MOYENNES
6 VARIANCES
6 CORRLATIONS
6 COVARIANCES
- COHRENCE INTER-ITEM
6 CORRLATIONS
6 COVARIANCES
- TABLEAU ANOVA
6 AUCUN
6 (TEST F - teste qu'il n'y a pas de diffrence
significative entre les diffrentes mesures de
l'chelle)

Autres informations disponibles :

- T carr de Hotelling
- Test dadditivit de Tukey

En rsum, la syntaxe:
RELIABILITY
/VARIABLES=q65c q65d q65e q65f q65g q65h
/FORMAT=LABELS
/SCALE(ALPHA)=ALL
/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE SCALE CORR
/SUMMARY=TOTAL MEANS VARIANCE CORR .
11) Notes additionnelles
a) Relation entre l'analyse factorielle, l'analyse en composantes principales et l'analyse de
fidlit.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

23

Le but premier de ces analyses est d'en arriver regrouper ensemble les items qui mesurent le
mme concept de faon ce qu'une addition des rponses un ensemble d'items constitue une
nouvelle mesure, composite, d'un concept. Par exemple, si on additionne les rponses de chaque
rpondant chacun des items mesurant la satisfaction envers un aspect extrinsque de son
travail, on obtiendra pour chaque rpondant une mesure de satisfaction extrinsque.
L'analyse en composantes principales (ACP) dcompose la matrice de corrlation en tenant
compte de l'ensemble de la variance des items. Elle en extrait un certain nombre de facteurs
indpendants. Le but de l'analyse en composantes principales est d'expliquer le plus de variance
possible avec un nombre de composantes le plus restreint possible. Aprs extraction, une part
seulement de la variance totale est explique. Le mode d'extraction et de rotation permet de
dterminer les sous-ensembles d'items qui sont plus fortement corrls entre eux et qui peuvent
donc constituer des mesures d'un nombre restreint de concepts.
L'analyse factorielle (AF) fait la mme chose que l'ACP mais tient compte uniquement de la
variance commune l'ensemble des items. Elle extrait des facteurs qui peuvent tre
indpendants ou corrls entre eux. Son but est de reproduire le plus fidlement possible la
matrice de corrlation. Comme l'ACP, elle permet de dterminer des sous-ensembles plus
fortement corrls entre eux.
Comme l'ACP et l'AF ne retiennent qu'une partie de la variance totale dans la solution finale, les
rsultats de l'analyse de fidlit peuvent contredire en partie ceux de l'analyse factorielle ou de
l'ACP. On peut expliquer cette situation par le fait que la variance commune d'un item est bien
relie celle d'un autre item mais que leurs variances spcifiques sont peu ou pas du tout
corrles ou mme en corrlation ngative. Comme l'analyse de fidlit considre l'ensemble
de la variance, cette situation peut faire qu'un item bien identifi un facteur en AF se rvle
un mauvais contributeur l'chelle.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

24

b) Attention aux valeurs manquantes:

Comme il est possible que certains rpondants n'aient pas rpondu tous les items d'un
ensemble donn, le nombre de cas valides peut varier d'une analyse l'autre selon que l'on retire
ou que l'on ajoute un item. Ceci peut modifier les rsultats. Il existe dans certaines procdures
des moyens d'estimer les valeurs manquantes, entre autres en remplaant la valeur manquante
par la moyenne du groupe. Comme rgle gnrale, les valeurs manquantes ne sont pas
estimes: les cas qui n'ont pas rpondu toutes les questions n'apparaissent pas dans l'analyse.
Nous n'avons pas le temps d'aborder toute cette problmatique durant le cours (Il existe dans
BMDP, par exemple, 15 manires diffrentes d'estimer les valeurs manquantes, chacune ayant
son biais propre) mais il demeure qu'il faut examiner les rsultats et la modification du nombre
de cas valides selon les analyses.

Bibliographie
Tabachnik,Barbara G.; Fidell,Linda S. (1996): Using multivariate statistics. Harper and Row,
New York. 509 pages.
Norusis,M. J. (1993): Spss professional statistics. SPSS, Chicago.
Norusis,M. J. (1993): Spss advanced statistics. SPSS, Chicago.

Analyse factorielle et fidlit:

Carmines,Edward G.; Zeller,Richard A. (1979): Reliabiblity and validity assessment.
(Quantitative applications in the social sciences, 17.) Sage, Beversly Hills. 71 pages.
Kim,Jae-On; Mueller,Charles (1978): Introduction to factor analysis. What it is and how to
do it. (Quantitative applications in the social sciences.) Sage, Beverly Hills.
Kim,Jae-On; Mueller,Charles (1978): Factor analysis, statistical methods and practical issues.
(Quantitative applications in the social sciences.) Sage, Beverly Hills.

Claire Durand - L'analyse factorielle et l'analyse de fidlit - 13 juillet 2005

25

Factor analysis and Principal components analysis, what's the difference?

by Lauri Tarkkonen

Factor analysis is based on the model

x = Bf+e, and cov(x)=Acov(f)A'+cov(e), one can make some further assumptions say cov(f)=I and
cov(e)=D (diagonal), so the covariance is simplified to cov(x) = BB'+D = S.
Principal components are by definition:
u = A'x, such as V(u(i)) = a(i)'x is maximum a'a = 1 and the u(i) are orthogonal. Then cov(u) =
A'cov(x)A, A'A and AA' are I, thus cov(x) = S = AA' . The factor analysis is a statistical model and the
principal componentsare just a linear transformation of the original variables. Anyway, in factor analysis
S-D = BB' and in principal components S = AA'.The difference in B and A is that you remove the D,
the variances of the errors in FA but not in PCA. If there is no errors (it is easy to show that the same
applies if all error variances are equal) the two methods will give you the same results.
If there is significant differences in the communalities of the variables, the two methods differ. So what
is the proper one. If you do not assume measurement errors then use PCA; if you think there are
measurement errors use FA.
I would like to put it this way:
You all know the thing called the blueberry pie. First you take some dough, make a bottom of
it, go to the forrest and pick some blueberries. If you believe in PCA, you put everything in your
basket on top of the how. If you believe that there is something in your basket like leaves,
needles, frogs that do not belong to the blueberry pie, you blow strongly while you pour your
berries to the pie. Most things that do not belong to the pie fly away, you might loose some
berries as well, but the taste is perhaps more of blueberries. If you did good job in picking your
berries, there is no difference.
So why is this so difficult? Why do we always have this discussion?
First: Tradition.
In the beginning, there was T.W Anderson and his Introduction to Multivariate Analysis (-58). It started
with PCA and told us that in the appendix (was it F) there is a funny thing called the Factor analysis. All
the statisticians thought that PCA is the proper method and FA is some magic developed by some
psychologists and you should not take it seriously.
Remember FA had this rotational indeterminacy.
Then: Lawley come up with the Maximum Likelihood solution. Now the statisticians had to accept FA
as a bona fide statistical model. If there was Maximum Likelihood estimates for something, it must be
the real thing. They realized that there was no theoretical base but the simplicity and the lack of
indeterminacy speaking for the PCA.

More confusion:
Because both solutions were derived by the same solution of the eigenvalue problem, the spectral
decomposition of a symmetric matrix, both analysis was performed with the same computer program.
You just told it: do you have the communality estimation or not. Some programmers, like the maker of
SYSTAT did not even understand the difference. Because the default value varied, so the naive users
kept on getting whatever the programmers had to think as the main method.
Still more confusion:
The calculation of the factor solution has been two stage. Earlier the first stage was calculated by the
'principal axes' method. Some people do not see the difference with 'principal axes' and 'principal
components'. They might have factors but they claim they have principal components.
Rotation
If you bother to stick to the definition of 'principal components' you will not rotate them, because if you
rotate, the maximum variance part is not true anymore.
More tradition
In some areas the use of multivariate methods was started during the time when the statistician felt that
PCA is the method and FA is some trick, there they swear still by PCA, because all the articles have
PCA.
GREED
Some like PCA better because it gives sometimes higher loadings, but for some reason they still want
to remove leaves and frogs from their blueberry pie.
Hope this helps.
- Lauri Tarkkonen
Lauri Tarkkonen / email: lauri.tarkkonen@helsinki.fi Tel:+358 0 666108
Korkeavuorenkatu 2 b B 11, 00140, Helsinki, Finland FAX +358 0 1913379