Modèle de panel à retards croisés vs. Modèle de courbe de croissance latente

Dans l’arsenal des sciences sociales, comportementales, biomédicales et économiques contemporaines, la modélisation statistique de données répétées dans le temps constitue un impératif méthodologique pour quiconque cherche à dépasser les corrélations synchrones illusoires. L’investigation de phénomènes complexes — qu’il s’agisse du développement cognitif de l’enfant, de l’érosion progressive des ressources de santé mentale en contexte d’adversité sociale, des interactions réciproques entre attitudes politiques et consommation médiatique, ou de la dynamique unissant l’investissement en recherche et développement et la rentabilité financière des firmes — requiert des outils capables de disséquer le flux temporel. Deux grands paradigmes issus de la modélisation par équations structurelles (Structural Equation Modeling ou SEM) dominent cette scène analytique : le modèle de panel à retards croisés (Cross-Lagged Panel Model, CLPM) et le modèle de courbe de croissance latente (Latent Growth Curve Model, LGCM).

Bien que ces deux architectures méthodologiques soient fréquemment appliquées aux mêmes types de jeux de données — à savoir des cohortes ou des panels d’individus suivis sur plusieurs vagues de mesure successives —, elles reposent sur des postulats statistiques fondamentalement divergents et répondent à des interrogations théoriques distinctes. Le CLPM interroge avant tout la dynamique relationnelle séquentielle, cherchant à déterminer dans quelle mesure une variable $X$ à un temps donné prédit une variable $Y$ à un temps ultérieur au-delà de sa propre persistance temporelle. En miroir, le LGCM s’intéresse à la forme morphologique du changement, conceptualisant le temps non pas simplement comme un écart discret entre deux vagues d’observation, mais comme une dimension continue sous-jacente le long de laquelle les individus tracent des trajectoires développementales hétérogènes, caractérisées par un niveau de départ et un rythme d’évolution systématique.

Cette divergence fondamentale de posture entraîne une responsabilité théorique majeure pour le chercheur quantitatif. Choisir entre un modèle à retards croisés et un modèle de courbe de croissance latente ne relève pas d’une préférence cosmétique d’ajustement ou d’une commodité computationnelle. Un tel choix engage une conception explicite de la nature des processus étudiés : s’agit-il d’un système dynamique en équilibre instable ou homéostatique, mu par des influences réciproques oscillant au fil des vagues de mesure, ou s’agit-il d’un processus continu de maturation, de sénescence, d’apprentissage ou de progression cumulative caractérisé par une trajectoire sous-jacente ? L’examen exhaustif de ces paradigmes s’impose pour éviter les écueils de confusion méthodologique, les biais d’interprétation causale et les incohérences métathéoriques qui continuent d’émailler la littérature empirique.

1. Introduction aux modèles longitudinaux structurels

1.1 Définition et genèse méthodologique des deux approches

L’histoire de la méthodologie quantitative est jalonnée de tentatives visant à concilier l’observation non expérimentale avec l’inférence causale. Le modèle de panel à retards croisés plonge ses racines historiques dans les travaux pionniers de généticiens et d’économistes sur l’analyse de pistes (path analysis) initiée par Sewall Wright, avant d’être transposé et formalisé en psychologie et en sociologie par Donald T. Campbell et David A. Kenny au cours des années 1960 et 1970. À l’origine, la corrélation à retards croisés (cross-lagged panel correlation, CLPC) visait à déterminer la prédominance causale entre deux variables en comparant simplement la force des corrélations bivariées décalées dans le temps. Confrontée à de sévères critiques quant à son incapacité à contrôler la stabilité des construits et les covariations synchrones, cette technique empirique primitive a été intégrée et refondue dans le formalisme des équations structurelles au cours des décennies suivantes, donnant naissance au Cross-Lagged Panel Model (CLPM) standard, tel que documenté de manière canonique par David A. Kenny et Kenneth A. Bollen.

Parallèlement, la modélisation des courbes de croissance latente a émergé au croisement de la psychométrie factorielle et de la biométrie des modèles à effets mixtes. Les fondements mathématiques du LGCM ont été posés par Ledyard R Tucker dans les années 1950, puis rigoureusement systématisés sous l’angle factoriel par William Meredith et John Tisak à la fin des années 1980 et popularisés par John J. McArdle. Contrairement aux approches par analyse de variance à mesures répétées (ANOVA) ou aux modèles de régression multivariée classiques, le LGCM traite les mesures répétées d’un même attribut au fil du temps comme les indicateurs manifestes de facteurs latents continus non observés, capturant typiquement l’ordonnée à l’origine (le niveau initial ou intercept) et le taux de variation systématique (la pente ou slope). Cette formulation a permis de faire converger les modèles hiérarchiques linéaires (HLM) et l’analyse factorielle confirmatoire au sein d’un formalisme unique et flexible.

Dans l’analyse contemporaine des données de panel, ces deux approches occupent des territoires épistémologiques complémentaires mais radicalement séparés. Le CLPM opère principalement au niveau des états discrets successifs, structuré autour d’équations de régressions simultanées reliant les temps $t$ aux temps $t-1$. Le LGCM, quant à lui, opère au niveau de la forme globale du développement individuel, ramenant la multiplicité des observations répétées à une poignée de paramètres de trajectoire distribués au sein de la population. L’évolution de ces méthodologies reflète ainsi deux visions contrastées de l’analyse temporelle : l’une discrète et axée sur l’impact de chocs ou d’influences transactionnelles, l’autre globale et orientée vers la dynamique structurée d’un cours de vie ou d’une maturation systémique.

1.2 Pourquoi comparer et distinguer le CLPM et le LGCM ?

La confusion entre le CLPM et le LGCM est un phénomène récurrent dans la pratique de la recherche empirique. Cette méprise tire son origine d’une caractéristique externe commune : les deux modèles s’appliquent fréquemment à une structure de données strictement identique, à savoir un panel longitudinal composé de $N$ individus mesurés sur $T$ vagues temporelles à l’égard de deux ou plusieurs variables continues. Face à un fichier de données rectangulaire contenant, par exemple, des scores d’anxiété et de performance académique recueillis annuellement du collège au lycée, l’analyste se trouve confronté à une bifurcation méthodologique. En l’absence d’une clarification épistémologique préalable, le choix de la méthode est trop souvent dicté par des habitudes disciplinaires, la maîtrise d’un logiciel spécifique ou la quête opportuniste d’un indice d’ajustement favorable.

Pourtant, la divergence entre ces approches ne se situe pas au niveau de la forme des données en entrée, mais au niveau fondamental des questions de recherche auxquelles elles sont capables de répondre. Interroger des données via un CLPM revient à poser la question suivante : « Si un individu présente un niveau de détresse psychologique supérieur à la moyenne au temps $t$, cela prédit-il une baisse de son engagement social au temps $t+1$, une fois neutralisée la stabilité de son engagement social antérieur et la covariance contemporaine des deux construits ? » À l’inverse, interroger ces mêmes données via un LGCM bivarié revient à formuler une interrogation tout autre : « Les individus qui débutent avec un niveau de détresse psychologique plus élevé connaissent-ils un taux de désengagement social plus rapide au fil des années, et observe-t-on une corrélation générale entre le rythme de progression de la détresse et le rythme de détérioration de l’engagement social ? »

Les conséquences d’une mauvaise assignation méthodologique sont sévères. L’application d’un CLPM à un phénomène dominé par une croissance développementale monotone engendre presque inévitablement des artefacts statistiques, tels que des effets autorégressifs gonflés artificiellement ou des coefficients croisés instables qui ne reflètent que la tendance commune sous-jacente. Réciproquement, contraindre des processus transactionnels oscillatoires, sans directionnalité globale de croissance, dans le carcan d’un LGCM linéaire aboutit à des variances de pente nulles ou à des distorsions résiduelles massives. La comparaison analytique fine de ces deux modèles s’avère donc indispensable pour prémunir les chercheurs contre des erreurs d’inférence substantielles pouvant fausser les conclusions théoriques et les recommandations pratiques qui en découlent.

1.3 Enjeux conceptuels : causalité réciproque versus trajectoires temporelles

Au cœur de la confrontation entre le CLPM et le LGCM réside une distinction conceptuelle fondamentale entre l’évaluation d’influences directionnelles réciproques et la description de trajectoires d’évolution systématique. L’évaluation de la causalité non expérimentale en sciences sociales s’appuie largement sur le critère de précédence temporelle défini par Granger : pour qu’une variable $X$ puisse être considérée comme une cause potentielle d’une variable $Y$, la variation de $X$ doit précéder dans le temps celle de $Y$, et cet effet doit subsister après avoir contrôlé les réalisations passées de $Y$. Le CLPM est l’incarnation par excellence de cette logique de prédiction séquentielle prospective. Il permet de tester des dynamiques de circularité ou de renforcement mutuel, où deux entités théoriques s’influencent alternativement ou simultanément d’une vague d’évaluation à la suivante.

À l’opposé, le paradigme des trajectoires temporelles sous-tendu par le LGCM conceptualise l’hétérogénéité individuelle non pas comme une série de déviations ponctuelles réactives, mais comme l’expression de profils de développement continus. Ce cadre analytique décompose la variance totale observée en deux niveaux fondamentaux : la variabilité intra-individuelle au fil du temps (le fait qu’un sujet change par rapport à lui-même selon une fonction temporelle définie) et l’hétérogénéité interindividuelle dans ces schémas de changement (le fait que différents sujets possèdent des valeurs initiales et des vitesses d’évolution distinctes). Dans ce modèle, le temps n’agit pas comme un simple générateur de retards séquentiels, mais comme un axe ontologique structurant sur lequel s’inscrivent la maturation biologique, l’apprentissage cumulatif, l’adaptation ou le vieillissement.

Il en résulte une impérieuse nécessité d’aligner le cadre théorique substantif avec les postulats du modèle statistique retenu. Un cadre théorique postulera parfois un phénomène homéostatique régulé par rétroaction négative ou des dynamiques d’action-réaction à court terme (par exemple, la relation entre stress quotidien et qualité du sommeil). En pareille circonstance, modéliser une trajectoire de croissance globale via un LGCM n’a aucun sens théorique substantiel. Inversement, face à des processus caractérisés par une accumulation systématique de capital humain, une neurodégénérescence progressive ou l’acquisition de compétences linguistiques, imposer un modèle à retards croisés équivaut à découper arbitrairement une trajectoire continue en une série de régressions locales disjointes, occultant la dynamique macroscopique du phénomène sous une surabondance de paramètres autorégressifs locaux.

2. Fondements et caractéristiques du modèle de panel à retards croisés (CLPM)

2.1 Architecture conceptuelle : autorégressions et effets croisés décalés

L’architecture fondamentale du modèle de panel à retards croisés standard repose sur la spécification conjointe de trois ensembles distincts de paramètres structuraux reliant les variables observées mesurées à plusieurs reprises. Considérons un système bivarié canonique impliquant deux variables, $X$ et $Y$, observées à travers $T$ vagues successives ($t = 1, 2, dots, T$) auprès d’un échantillon d’individus. Pour toute vague $t ge 2$, chaque variable est régressée simultanément sur sa propre valeur à la vague précédente ($t-1$) ainsi que sur la valeur de l’autre variable au temps $t-1$. Le modèle s’exprime formellement par le système d’équations structurelles suivant :

$$X_{it} = \mu_{Xt} + \beta_{Xt, X(t-1)} X_{i(t-1)} + \beta_{Xt, Y(t-1)} Y_{i(t-1)} + \epsilon_{Xit}$$

$$Y_{it} = \mu_{Yt} + \beta_{Yt, Y(t-1)} Y_{i(t-1)} + \beta_{Yt, X(t-1)} X_{i(t-1)} + \epsilon_{Yit}$$

Dans cette formulation mathématique rigoureuse, $\mu_{Xt}$ et $\mu_{Yt}$ représentent les termes d’interception spécifiques au temps. Les paramètres $\beta_{Xt, X(t-1)}$ et $\beta_{Yt, Y(t-1)}$ désignent les coefficients autorégressifs. Ces derniers quantifient la stabilité temporelle ou l’inertie du construit à travers les vagues de mesure. Plus la valeur de $\beta$ se rapproche de l’unité, plus le classement relatif des individus demeure rigide et prévisible dans le temps, indiquant que les différences interindividuelles observées au temps $t-1$ se maintiennent fidèlement au temps $t$. Une valeur proche de zéro signale au contraire une faible persistance du rang relatif des sujets, traduisant un phénomène hautement labile ou soumis à d’importantes fluctuations non prédictibles par l’état immédiatement antérieur.

Les paramètres $\beta_{Yt, X(t-1)}$ et $\beta_{Xt, Y(t-1)}$ incarnent les coefficients croisés décalés (cross-lagged paths), qui constituent le cœur analytique de l’approche. Le paramètre $\beta_{Yt, X(t-1)}$ évalue la capacité prospective de la variable $X$ mesurée au temps $t-1$ à prédire le niveau de la variable $Y$ au temps $t$, au-delà de la stabilité intrinsèque de $Y$ capturée par son propre chemin autorégressif. Cette estimation conditionnelle permet de déterminer si $X$ exerce une influence prospective sur $Y$, tout en évaluant simultanément le chemin inverse ($\beta_{Xt, Y(t-1)}$) attestant de l’impact prospectif de $Y$ sur $X$. Enfin, les termes résiduels $\epsilon_{Xit}$ et $\epsilon_{Yit}$ représentent les erreurs de prédiction spécifiques au temps, capturant les influences non modélisées intervenues entre les deux temps d’observation. L’architecture du CLPM autorise la corrélation synchrone contemporaine entre ces résidus, notée conventionnellement $\psi_{XYt} = \text{Cov}(\epsilon_{Xit}, \epsilon_{Yit})$, ce qui permet de neutraliser les chocs environnementaux ou méthodologiques partagés qui affectent conjointement les deux variables au moment exact de la collecte sans biais d’antériorité temporelle.

2.2 Hypothèses sous-jacentes et modélisation de la temporalité

L’estimation et l’interprétation valides d’un CLPM dépendent étroitement du respect d’hypothèses statistiques et théoriques fondamentales. Au premier rang de ces postulats figure l’hypothèse de stationnarité du système dynamique. La stationnarité implique que les mécanismes générateurs de données et la force des relations structurelles demeurent invariants à travers les différentes vagues du panel. Dans la pratique du SEM, cette propriété est généralement opérationnalisée en contraignant à l’égalité temporelle les coefficients autorégressifs ($\beta_{Xt, X(t-1)} = \beta_X$) ainsi que les coefficients croisés ($\beta_{Yt, X(t-1)} = \beta_{Y \leftarrow X}$) pour tout intervalle d’égale durée. Si cette contrainte d’invariance temporelle des paramètres améliore la parcimonie du modèle et la puissance statistique des tests, elle repose sur l’hypothèse théorique lourde que la dynamique transactionnelle sous-jacente ne subit aucune altération qualitative au fil de l’âge des sujets ou du contexte historique.

Un deuxième facteur critique réside dans l’intervalle temporel choisi entre les vagues successives d’observation ($\Delta t$). Le CLPM postule implicitement que la véritable latence causale du processus étudié coïncide de manière adéquate avec l’espacement temporel arbitrairement imposé par le calendrier de collecte des données. Si une influence croisée décalée de $X$ sur $Y$ atteint son intensité maximale après un délai de trois semaines, une collecte de données organisée à un rythme annuel échouera immanquablement à capter cette relation, produisant un coefficient croisé statistiquement insignifiant ou fallacieux. De manière analogue, un intervalle d’observation trop court risque de saisir un système en cours de transition avant que l’effet ne se soit pleinement manifesté. Les travaux méthodologiques de Dormann et Griffin ont brillamment mis en lumière la façon dont la taille et même le signe algébrique d’un paramètre croisé décalé peuvent être artificiellement manipulés en fonction du décalage temporel sélectionné.

Enfin, l’hypothèse sous-jacente la plus problématique du CLPM standard concerne l’absence présumée d’effets de traits stables non mesurés. Le modèle classique part du principe que toute la variance systématique partagée au fil du temps peut être capturée par le conditionnement sur les scores observés à la vague immédiatement précédente (propriété de premier ordre markovienne). Il ignore la possibilité qu’une part substantielle de la stabilité temporelle observée ne découle pas d’une transmission causale séquentielle continue d’état à état, mais provienne plutôt d’une hétérogénéité stable et intemporelle propre aux individus, telle que des prédispositions génétiques, des traits de personnalité immuables ou des caractéristiques socio-environnementales chroniques. Lorsque cette composante interindividuelle stable est ignorée, le CLPM viole les postulats de modélisation causale et commet une erreur d’attribution structurelle.

2.3 Évolutions méthodologiques : du CLPM classique au RI-CLPM

L’inadéquation structurelle du CLPM classique face à la distinction entre niveaux d’analyse a conduit à une remise en question théorique majeure au cours de la dernière décennie. Comme l’ont démontré Ellen L. Hamaker et ses collègues dans leur article fondateur de 2015, le CLPM traditionnel opère une confusion mathématique fatale entre la variance interindividuelle (les différences stables et immuables entre les personnes) et la variance intra-individuelle (les fluctuations dynamiques qu’une personne expérimente au fil du temps autour de sa propre trajectoire d’équilibre). Dans un CLPM conventionnel, si un individu maintient un score élevé de $X$ et un score élevé de $Y$ tout au long des vagues en raison d’un facteur de confusion stable non mesuré (par exemple un trait génétique ou un biais d’échantillonnage invariant), le modèle interprétera fallacieusement cette association interindividuelle pérenne comme la preuve d’une forte stabilité autorégressive et de couplages croisés décalés réciproques.

Pour résoudre cette confusion méthodologique délétère, Hamaker, Kuiper et Grasman (2015) ont formalisé le modèle de panel à retards croisés à interception aléatoire (Random Intercept Cross-Lagged Panel Model, ou RI-CLPM). Le RI-CLPM réalise une disjonction orthogonale formelle et explicite de la variance totale au sein de chaque variable observée en deux composantes indépendantes :

$$X_{it} = \mu_{Xt} + I_{\Xi} + x_{it}^*$$

$$Y_{it} = \mu_{Yt} + I_{Yi} + y_{it}^*$$

Dans ce modèle révisé, $\mu_{Xt}$ et $\mu_{Yt}$ représentent les moyennes au niveau de la population à la vague $t$. Les variables latentes $I_{\Xi}$ et $I_{Yi}$ constituent les intercepts aléatoires individuels. Invariants dans le temps, ils absorbent l’intégralité des différences stables entre individus, fonctionnant comme des facteurs de trait intemporels. La covariance entre ces intercepts aléatoires, notée $\text{Cov}(I_{\Xi}, I_{Yi})$, saisit l’association interindividuelle pure : elle quantifie la mesure dans laquelle les individus qui se situent globalement au-dessus de la moyenne pour le construit $X$ se situent également au-dessus de la moyenne pour le construit $Y$.

Les termes résiduels $x_{it}^*$ et $y_{it}^*$ désignent les composantes d’état centrées sur l’individu (within-person deviations). Elles représentent l’écart momentané, à la vague $t$, entre le score d’un individu et son propre niveau moyen stable. Les relations autorégressives et les effets croisés décalés sont alors spécifiés exclusivement entre ces déviations intra-individuelles pures :

$$x_{it}^* = \alpha_t x_{i(t-1)}^* + \beta_t y_{i(t-1)}^* + \epsilon_{Xit}^*$$

$$y_{it}^* = \gamma_t y_{i(t-1)}^* + \delta_t x_{i(t-1)}^* + \epsilon_{Yit}^*$$

Grâce à cette décomposition rigoureuse, le coefficient croisé $\delta_t$ possède une signification interprétative fondamentalement différente et bien plus rigoureuse que dans le CLPM standard. Il indique si le fait pour une personne de se trouver temporairement au-dessus de son propre niveau d’équilibre habituel sur la variable $X$ au temps $t-1$ prédit une élévation consécutive au-dessus de son propre niveau d’équilibre sur la variable $Y$ au temps $t$. Le RI-CLPM élimine ainsi le risque majeur de confondre une corrélation de trait interindividuelle avec un mécanisme transactionnel intra-individuel prospectif, constituant l’étalon-or moderne de la modélisation à retards croisés.

3. Fondements et spécificités du modèle de courbe de croissance latente (LGCM)

3.1 Facteurs latents d’interception et de pente

Le modèle de courbe de croissance latente (LGCM) repose sur une conceptualisation psychométrique où les scores répétés d’un individu au fil du temps sont considérés comme les manifestations empiriques imparfaites d’une trajectoire sous-jacente continue. Dans sa forme linéaire univariée fondamentale, le LGCM postule que les observations répétées d’une variable $Y$ mesurée aux temps $t = 1, 2, dots, T$ pour un individu $i$ sont engendrées par deux facteurs latents fondamentaux : un facteur d’interception ($I_i$) et un facteur de pente ($S_i$). L’équation de mesure reliant l’indicateur observé aux construits latents s’écrit formellement comme suit :

$$Y_{it} = I_i + \lambda_t S_i + \epsilon_{it}$$

L’interception latente $I_i$ représente le statut de référence de l’individu. Dans la matrice des chargements factoriels, les coefficients assignés à l’interception sont fixés de manière invariable à 1 pour toutes les vagues de mesure ($\lambda_{I1} = \lambda_{I2} = dots = \lambda_{IT} = 1$). Cette contrainte d’invariance absolue traduit l’exigence logique que l’interception opère comme une constante individuelle invariable au cours du temps, ancrant le niveau de base du processus développemental.

Le facteur de pente latente $S_i$ saisit quant à lui le taux de changement continu par unité de temps. La modélisation de ce taux repose sur la spécification délibérée des chargements factoriels temporels $\lambda_t$. Dans le cadre d’un modèle de croissance linéaire régulier où les observations sont espacées d’intervalles égaux (par exemple $t = 1, 2, 3, dots, T$), les chargements temporels sont couramment fixés à des valeurs entières consécutives, typiquement $\lambda_t = [0, 1, 2, dots, T-1]$. En fixant $\lambda_1 = 0$, le chercheur attribue à l’interception latente une signification concrète : elle représente le niveau attendu de la variable à la première vague de mesure. Si l’analyste choisissait de centrer le temps au milieu du protocole ou à la dernière vague ($\lambda_T = 0$), l’interception refléterait alors le niveau final du processus sans modifier l’estimation de la pente.

Au niveau structural, les facteurs latents sont décomposés en composantes moyennes fixes (la moyenne de la population) et en résidus aléatoires (la variabilité interindividuelle autour de cette moyenne) :

$$I_i = \mu_I + \zeta_{Ii}$$

$$S_i = \mu_S + \zeta_{Si}$$

Les paramètres $\mu_I$ et $\mu_S$ désignent respectivement la moyenne d’interception et la moyenne de pente au sein de la population. Une moyenne de pente $\mu_S$ significativement différente de zéro confirme l’existence d’une tendance développementale générale d’accroissement ou de déclin systématique. Les paramètres de variance $\psi_{II} = \text{Var}(\zeta_{Ii})$ et $\psi_{SS} = \text{Var}(\zeta_{Si})$ quantifient l’amplitude de l’hétérogénéité interindividuelle : $\psi_{SS}$ mesure à quel point les individus s’écartent du rythme d’évolution moyen de la cohorte. Enfin, la covariance entre l’interception et la pente, notée $\psi_{IS} = \text{Cov}(\zeta_{Ii}, \zeta_{Si})$, capture la relation structurelle entre le niveau initial et le rythme ultérieur de développement, permettant par exemple de tester si un statut initial élevé freine ou accélère la croissance subséquente (effet plafond ou effet Matthieu).

3.2 Modélisation de la non-linéarité et variabilité du changement

La trajectoire du changement humain et social suit rarement une ligne droite parfaite au cours du temps. L’une des vertus du LGCM réside dans sa plasticité mathématique, qui lui permet de modéliser des formes complexes de développement non linéaire sans quitter le cadre élégant des modèles linéaires structuraux. La stratégie la plus classique consiste à incorporer des facteurs polynomiaux d’ordre supérieur au sein de l’équation de mesure. Pour intégrer une courbure de décélération ou d’accélération, un facteur quadratique ($Q_i$) peut être introduit :

$$Y_{it} = I_i + \lambda_t S_i + \lambda_t^2 Q_i + \epsilon_{it}$$

Dans ce modèle à croissance quadratique, si les chargements de la pente linéaire sont fixés à $\lambda_t = [0, 1, 2, 3]$, les chargements assignés au facteur quadratique correspondent rigoureusement aux carrés de ces valeurs, soit $\lambda_t^2 = [0, 1, 4, 9]$. L’estimation simultanée des moyennes $\mu_I, \mu_S, \mu_Q$ et de leur matrice de variance-covariance permet de décrire des dynamiques en cloche, des phases d’épuisement ou des rebonds développementaux, tout en préservant l’estimation des variations interindividuelles autour de cette trajectoire curvilinéaire.

Une alternative méthodologique consiste à recourir à des modèles de croissance latente à chargements libres, également qualifiés de modèles de forme fonctionnelle empirique ou non paramétrique. Dans cette spécification, le premier chargement est ancré à 0 ($\lambda_1 = 0$) et le dernier est fixé à 1 ($\lambda_T = 1$) afin d’identifier l’échelle de la pente latente, tandis que les chargements factoriels des vagues intermédiaires ($\lambda_2, \lambda_3, dots, \lambda_{T-1}$) sont librement estimés par le modèle à partir des données empiriques. Les valeurs estimées de ces chargements factoriels révèlent la proportion de changement total accomplie entre la vague initiale et chacune des vagues successives. Si $\lambda_2$ s’établit à 0.65 pour un modèle à trois vagues, cela démontre que 65 % de l’évolution globale de la variable survient dès la première transition temporelle, caractérisant une dynamique d’absorption ou d’apprentissage rapide suivie d’un plafonnement progressif.

Enfin, la modélisation rigoureuse de la non-linéarité impose de prêter attention à la structure de covariance des erreurs de mesure spécifiques au temps, capturées par la matrice $boldsymbol{\Theta}_\epsilon$. Alors que le modèle standard postule une variance d’erreur homogène et homoscédastique au cours du temps ($\text{Var}(\epsilon_{it}) = \sigma^2$) sans corrélation résiduelle ($\text{Cov}(\epsilon_{it}, \epsilon_{is}) = 0$), ces contraintes peuvent s’avérer intolérables dans les panels étendus. Le LGCM permet de relaxer ces restrictions en autorisant des variances d’erreur hétéroscédastiques ($\sigma_t^2$) ou en modélisant une autocorrélation résiduelle de premier ordre entre les perturbations temporelles immédiates ($\text{Cov}(\epsilon_{it}, \epsilon_{i(t-1)}) \neq 0$), garantissant ainsi que l’estimation de la composante de croissance globale ne soit pas déformée par le bruit stochastique résiduel de mesure.

3.3 Extensions multivariées et modèles de croissance conditionnels

La puissance du LGCM s’amplifie considérablement lors du passage des spécifications univariées aux architectures multivariées et conditionnelles. Le modèle de croissance latente multivarié parallèle (Parallel-Process LGCM) permet d’analyser simultanément le développement longitudinal de deux ou plusieurs processus distincts et d’examiner formellement la manière dont leurs trajectoires s’influencent ou co-évoluent. Dans une structure bivariée modélisant deux variables $X$ et $Y$, le modèle spécifie deux intercepts latents ($I_X, I_Y$) et deux pentes latentes ($S_X, S_Y$). Au niveau structural, le modèle génère une matrice complète de covariances de dimensions $4 times 4$ reliant l’ensemble des facteurs de croissance :

$$boldsymbol{\Psi} = \begin{\pmatrix}
\psi_{I_X I_X} & & & \
\psi_{I_Y I_X} & \psi_{I_Y I_Y} & & \
\psi_{S_X I_X} & \psi_{S_X I_Y} & \psi_{S_X S_X} & \
\psi_{S_Y I_X} & \psi_{S_Y I_Y} & \psi_{S_Y S_X} & \psi_{S_Y S_Y}
\end{\pmatrix}$$

Cette matrice livre des informations analytiques d’une richesse conceptuelle exceptionnelle. Le paramètre $\psi_{S_Y S_X}$ quantifie directement la covariation des taux de changement : il permet d’affirmer si un accroissement individuel accéléré sur le construit $X$ s’accompagne de manière concomitante d’une accélération ou d’un ralentissement de la trajectoire du construit $Y$. De surcroît, le paramètre $\psi_{S_Y I_X}$ détermine si le niveau initial d’un individu sur une variable conditionne prospectivement la vitesse d’évolution temporelle de l’autre variable au cours des années d’observation, fournissant un cadre d’inférence développementale prédictive globale.

Par ailleurs, le LGCM s’enrichit par l’inclusion de covariables externes dans le cadre de modèles de croissance dits conditionnels. Ces covariables peuvent être de nature invariante dans le temps (Time-Invariant Covariates, TIC), à l’instar du genre biologique, du niveau socio-économique initial ou d’un génotype. Ces prédicteurs de fondation sont introduits au sein d’équations structurelles venant prédire l’hétérogénéité des facteurs latents eux-mêmes ($I_i = \gamma_{I0} + \gamma_{I1} TIC_i + \zeta_{Ii}$ et $S_i = \gamma_{S0} + \gamma_{S1} TIC_i + \zeta_{Si}$), expliquant ainsi pourquoi certains individus débutent plus haut ou progressent plus vite que d’autres.

Enfin, le modèle peut incorporer des prédicteurs variant dans le temps (Time-Varying Covariates, TVC), intégrés directement au niveau de l’équation de mesure de chaque vague temporelle ($Y_{it} = I_i + \lambda_t S_i + \beta_t TVC_{it} + \epsilon_{it}$). Cette modélisation à deux étages permet de dissocier simultanément la trajectoire de croissance sous-jacente continue et les déviations ou oscillations ponctuelles induites à chaque vague par des événements conjoncturels éphémères (tels qu’une perte d’emploi soudaine ou une intervention thérapeutique circonscrite), conférant au LGCM une remarquable capacité d’adaptation aux réalités complexes des sciences de terrain.

4. Analyse comparative dimensionnelle : CLPM versus LGCM

4.1 Objectif théorique : directionalité causale contre dynamique de trajectoire

La distinction primaire entre le CLPM et le LGCM réside dans le statut épistémologique accordé au temps et à la nature de la causalité présumée. Le modèle de panel à retards croisés est un instrument conçu pour diagnostiquer la directionnalité séquentielle des effets et éprouver des hypothèses de préséance prédictive au sein d’un écosystème dynamique. Son interrogation centrale consiste à trancher entre deux hypothèses concurrentes : est-ce la variable $X$ qui conduit prospectivement les changements futurs de la variable $Y$, ou est-ce $Y$ qui dirige les évolutions subséquentes de $X$ ? Le CLPM opérationnalise la causalité sous un angle grangérien, dans lequel le passé d’une variable informe l’avenir d’une autre au-delà de sa mémoire intrinsèque. C’est un modèle par excellence de l’influence transactionnelle locale et des dynamiques réactives.

Le modèle de courbe de croissance latente s’inscrit quant à lui dans une téléologie développementale où le centre d’intérêt n’est pas le choc discret d’une variable sur une autre lors de l’intervalle $[t-1, t]$, mais la dynamique unifiée qui gouverne le déroulement temporel d’un phénomène considéré dans sa globalité. Au lieu de disséquer des influences transactionnelles décalées, le LGCM décrit des profils longitudinaux, modélisant la vitesse, la courbure et l’amplitude de l’évolution. Lorsqu’il est étendu à un contexte multivarié, le LGCM ne cherche pas à établir une priorité séquentielle immédiate, mais évalue la corrélation macroscopique entre deux dynamiques de croissance ou l’impact d’une position initiale sur la pente subséquente.

Cette divergence crée une démarcation théorique irréductible. Le CLPM traite les variations temporelles comme des oscillations autour d’un équilibre ou des réponses à des stimuli antérieurs au sein d’un système fondamentalement stationnaire. Le LGCM postule en revanche que le phénomène est intrinsèquement non stationnaire au niveau moyen et individuel, se déplaçant continuellement d’un état d’origine vers des paliers futurs par le biais d’un mécanisme de maturation ou de transformation systématique. Tenter d’inférer des trajectoires globales à partir des paramètres locaux d’un CLPM est une impossibilité mathématique ; réciproquement, contraindre des oscillations réciproques réactives dans des paramètres de pente globale au sein d’un LGCM conduit inévitablement à masquer la dynamique causale sous-jacente.

4.2 Traitement de la variance intra-individuelle et interindividuelle

L’analyse comparative de ces modèles exige une dissection rigoureuse de la manière dont chacun partitionne la variance totale observée. Le théorème d’ergodicité, théorisé en psychométrie par Peter C. M. Molenaar, énonce de façon implacable que les structures de corrélation dérivées de l’examen interindividuel d’une population ne sont équivalentes aux structures intra-individuelles caractérisant l’évolution d’une personne dans le temps que sous des conditions de stricte homogénéité et de stationnarité rarement vérifiées en pratique. L’ignorance de cette disjonction constitue la faille conceptuelle historique du CLPM classique.

Dans un CLPM conventionnel à variables observées, la décomposition de la variance est absente. Le modèle agrège indifféremment au sein d’un coefficient unique la variabilité qui découle des différences systématiques et stables entre les sujets et celle qui résulte des fluctuations dynamiques éprouvées par les sujets d’une vague à l’autre. En régressant brutalement $Y_t$ sur $X_{t-1}$, le CLPM standard mélange les niveaux d’analyse : l’effet croisé reflète autant le fait que les individus intrinsèquement plus élevés sur $X$ soient également plus élevés sur $Y$ (niveau interindividuel) que le fait qu’une augmentation de $X$ chez un individu donné entraîne une augmentation consécutive de $Y$ (niveau intra-individuel). Ce problème n’est résolu qu’avec l’avènement du RI-CLPM, qui segmente formellement l’espace vectoriel des observations en intercepts aléatoires stables et en résidus déviants temporels.

Le LGCM, pour sa part, fait de la séparation formelle de ces deux sources de variance la base même de son échafaudage mathématique. L’équation de niveau 1 capture la variance intra-individuelle en décrivant la trajectoire temporelle propre à chaque sujet le long de l’axe temporel, modulée par des erreurs de mesure résiduelles. L’équation de niveau 2 modélise simultanément la variance interindividuelle en distribuant les intercepts et les pentes au sein de la population via les moyennes fixes ($\mu_I, \mu_S$) et les variances aléatoires ($\psi_{II}, \psi_{SS}$). Le LGCM offre ainsi une résolution élégante du défi de Molenaar : il isole rigoureusement l’hétérogénéité des personnes dans leur configuration d’évolution tout en fournissant une métrique précise de la fidélité de la trajectoire au niveau individuel. Cette décomposition explicite préserve le chercheur de toute confusion fallacieuse entre le niveau global de la population et les variations singulières des trajectoires subjectives.

4.3 Contraintes d’échantillonnage, nombre de vagues et espacement temporel

Les exigences relatives au devis empirique imposent des contraintes matérielles sévères qui orientent drastiquement la viabilité de l’une ou l’autre de ces architectures longitudinales. La première de ces contraintes concerne le nombre minimal de vagues de collecte ($T$) requis pour rendre les modèles mathématiquement identifiables et statistiquement signifiants :

Le CLPM peut formellement être estimé à partir d’un panel ne comportant que deux vagues de mesure ($T = 2$). Toutefois, dans cette configuration minimale, le CLPM bivarié standard est saturé (zéro degré de liberté au niveau des relations structurelles), interdisant toute évaluation empirique globale de l’ajustement du modèle par les indices statistiques classiques. De surcroît, un modèle à deux vagues proscrit formellement le test de l’invariance temporelle des paramètres et rend impossible l’estimation d’un RI-CLPM, qui exige au strict minimum trois vagues de mesure ($T ge 3$) pour séparer de manière identifiable les intercepts aléatoires des variances résiduelles d’état.

Le LGCM linéaire impose quant à lui un impératif absolu d’au moins trois vagues de données ($T ge 3$) pour une identification basique. Avec $T = 3$ vagues, la matrice de covariance observée offre $3(3+1)/2 = 6$ éléments d’information, ce qui correspond exactement au nombre de paramètres libres estimés dans un modèle de croissance linéaire standard (la moyenne et la variance de l’intercept, la moyenne et la variance de la pente, la covariance intercept-pente, et une variance d’erreur résiduelle contrainte à l’homoscédasticité), générant un modèle tout juste saturé ou sur-identifié selon les contraintes résiduelles adoptées. Dès lors que le chercheur ambitionne de tester des trajectoires non linéaires — telles qu’une courbe quadratique comportant un facteur $Q$ — le seuil d’éligibilité minimale s’élève mécaniquement à quatre vagues de mesure distinctes ($T ge 4$), voire cinq ou plus pour des modèles factoriels d’ordre cubique ou des fonctions splines complexes.

La question de l’espacement temporel ($\Delta t$) marque une autre frontière méthodologique fondamentale. Le CLPM est hypersensible aux variations de métrique temporelle. Il postule des intervalles égaux et discrets entre chaque vague. Si les intervalles de collecte sont inégaux (par exemple, 6 mois entre les vagues 1 et 2, puis 2 ans entre les vagues 2 et 3), l’application directe d’un CLPM traditionnel devient mathématiquement fautive, car les paramètres autorégressifs et croisés changent intrinsèquement d’échelle en fonction de l’intervalle temporel écoulé, rendant toute contrainte de stationnarité conceptuellement absurde sans passer par des modèles différentiels continus en temps continu (Continuous-Time SEM). En contraste marqué, le LGCM s’adapte avec souplesse aux intervalles de mesure asymétriques ou inégaux : il suffit au chercheur d’assigner des scores de temps proportionnels à la distance temporelle calendaire réelle au sein de la matrice des chargements de pente (par exemple $\lambda_t = [0, 0.5, 2.5]$ pour des mesures collectées à 0, 6 mois et 30 mois). Le LGCM intègre harmonieusement ces écarts sans aucune distorsion structurelle de ses estimations fondamentales.

4.4 Forces et limites méthodologiques respectives

L’arbitrage entre ces deux puissantes méthodologies d’analyse quantitative nécessite une synthèse méthodique de leurs atouts respectifs et de leurs vulnérabilités intrinsèques. Le tableau comparatif rigoureux dressé ci-dessous synthétise ce face-à-face analytique le long des dimensions opératoires et conceptuelles décisives de la modélisation statistique avancée :

Dimension d’Analyse	Modèle de Panel à Retards Croisés (CLPM / RI-CLPM)	Modèle de Courbe de Croissance Latente (LGCM)
Focalisation Théorique Centrale	Directionnalité causale séquentielle, préséance prédictive et influences réciproques entre construits.	Trajectoires temporelles de développement, rythme de changement systématique et variabilité interindividuelle.
Conception Ontologique du Temps	Discrète ; le temps opère comme un délai d’espacement ($t-1 \rightarrow t$) séparant des états transactionnels.	Continue ; le temps forme un axe sous-jacent ordonné le long duquel se déploie une fonction fonctionnelle continue.
Nombre Minimal de Vagues ($T$)	2 vagues pour le CLPM classique (saturé) ; 3 vagues impératives pour identifier un RI-CLPM fiable.	3 vagues rigoureusement requises pour un modèle linéaire ; 4 vagues ou plus pour les formes non linéaires.
Décomposition de la Variance	Confondue dans le CLPM standard ; séparée rigoureusement entre trait stable et états résiduels dans le RI-CLPM.	Formellement partitionnée entre équation intra-individuelle (Niveau 1) et distribution interindividuelle (Niveau 2).
Gestion des Intervalles Inégaux	Complexe et problématique ; requiert des paramétrisations en temps continu sous peine de biaiser les chemins structuraux.	Naturelle et flexible via l’assignation proportionnelle des scores de temps ($\lambda_t$) dans la matrice de charge de pente.
Évaluation de la Croissance Globale	Absente ou masquée ; inapte à estimer un taux de progression moyen unifié pour la population au fil du temps.	Optimale et directe grâce à l’estimation explicite de la moyenne ($\mu_S$) et de la variance ($\psi_{SS}$) de la pente latente.
Diagnostic d’Influence Réciproque	Optimal ; compare symétriquement la force relative des chemins prospectifs opposés ($\beta_{Y \leftarrow X}$ vs $\beta_{X \leftarrow Y}$).	Indirect ou limité ; documente la covariation des pentes ou des effets croisés TIC/TVC sans tester la réactivité locale.
Vulnérabilité aux Biais Résiduels	Critique dans le CLPM standard face aux traits stables non mesurés ; atténuée de manière robuste dans le RI-CLPM.	Sensible à une spécification erronée de la forme fonctionnelle (imposer une droite sur une dynamique sinusoïdale ou saturée).
Indices d’Ajustement Global (SEM)	Permet le recours direct aux indices classiques ($\chi^2$, RMSEA, CFI, TLI, SRMR) dès lors que $T ge 3$.	Mobilise l’ensemble des métriques globales d’ajustement structurel pour valider la fidélité de la trajectoire modélisée.

Au-delà de ces dimensions systématiques, les deux paradigmes partagent une vulnérabilité commune face à certains aléas inhérents aux études de panel. L’omission de covariables dynamiques majeures non mesurées affecte identiquement la précision des deux approches : dans le CLPM, elle engendre des covariations résiduelles fallacieuses ou biaise les retards croisés ; dans le LGCM, elle conduit à imputer à la dynamique interne du sujet une trajectoire de croissance impulsée par une force environnementale exogène ignorée. Par ailleurs, l’attrition sélective — phénomène quasi inévitable par lequel certains profils d’individus abandonnent l’étude de cohorte de manière non aléatoire — menace tout autant l’invariance des estimations des trajectoires de pente que celle des coefficients autorégressifs décalés, exigeant dans les deux cas un traitement statistique rigoureux de la non-réponse par des algorithmes d’estimation de pointe.

5. Points de convergence et complémentarités structurelles

5.1 Ancrage dans le cadre des équations structurelles (SEM)

En dépit de leurs disparités architecturales et théoriques, le CLPM et le LGCM partagent un socle mathématique commun : ils s’inscrivent pleinement dans le cadre général de la modélisation par équations structurelles (SEM). Cette matrice méthodologique unifiée leur confère des avantages statistiques décisifs par rapport aux approches par moindres carrés ordinaires ou aux analyses de variance classiques. Les deux modèles s’appuient sur l’optimisation de fonctions de vraisemblance globale visant à minimiser l’écart entre la matrice de covariance empirique des variables observées ($\mathbf{S}$) et la matrice de covariance théorique implicite reconstruite par les contraintes du modèle ($boldsymbol{\Sigma}(boldsymbol{\theta})$).

En conséquence de cette appartenance partagée au cadre SEM, l’adéquation empirique d’un CLPM et d’un LGCM s’évalue au moyen du même arsenal d’indices d’ajustement globaux bien établis par la psychométrie computationnelle. Les chercheurs disposent du test formel du Chi-deux d’ajustement ($\chi^2$), mesurant l’écart absolu entre modèle théorique et données de panel, ainsi que d’indices descriptifs alternatifs robustes : la racine carrée de l’erreur quadratique moyenne d’approximation (Root Mean Square Error of Approximation, RMSEA), l’indice d’ajustement comparatif (Comparative Fit Index, CFI), l’indice de Tucker-Lewis (TLI) et la racine carrée moyenne résiduelle standardisée (Standardized Root Mean Square Residual, SRMR). Ces indices permettent une appréciation rigoureuse du degré d’approximation avec lequel chaque modèle reproduit la cinétique temporelle observée.

Un autre point de convergence fondamental réside dans la gestion avancée des données manquantes. Les études de panel longitudinales sont presque invariablement affectées par l’attrition des participants ou des omissions sporadiques lors de certaines vagues. Parce qu’ils sont estimés au sein de logiciels de modélisation par équations structurelles, le CLPM et le LGCM tirent parti de l’estimation du maximum de vraisemblance à information complète (Full Information Maximum Likelihood, FIML). Contrairement aux méthodes destructrices de suppression par liste (listwise deletion) ou par paire (pairwise deletion) qui introduisent des biais d’échantillonnage majeurs et réduisent drastiquement la puissance statistique, l’algorithme FIML maximise la log-vraisemblance au niveau de chaque cas individuel sur la base de l’ensemble des données disponibles, préservant la validité asymptotique des estimations sous l’hypothèse de données manquantes aléatoires (Missing At Random, MAR).

5.2 Exigence partagée de l’invariance de mesure temporelle

L’une des conditions sine qua non trop souvent négligée dans l’application des modèles longitudinaux réside dans la vérification métrologique de l’invariance de mesure temporelle (Longitudinal Measurement Invariance). Que l’on applique un modèle de panel à retards croisés ou un modèle de courbe de croissance latente, le chercheur formule l’hypothèse sous-jacente que l’instrument psychométrique ou le construit latent mesuré conserve une signification conceptuelle et des propriétés d’échelle strictement identiques au fil des différentes vagues de collecte temporelle. Si l’instrument subit une dérive sémantique ou une altération de sensibilité de mesure au cours du temps, toute tentative d’interpréter des variations de scores — qu’il s’agisse de pentes de croissance ou d’effets croisés prédictifs — relève d’une illusion méthodologique.

L’évaluation psychométrique de l’invariance longitudinale requiert une séquence hiérarchique formalisée de comparaisons de modèles emboîtés par tests de différences de Chi-deux ($\Delta\chi^2$) ou variations d’indices descriptifs ($\Delta\text{CFI} le 0.010$, $\Delta\text{RMSEA} le 0.015$), articulée autour de quatre niveaux stricts :

• L’invariance configurale : Elle impose que la même structure factorielle générale (le même nombre de facteurs et le même patron de chargements d’items) soit présente à chaque vague temporelle, sans imposer de contraintes numériques d’égalité sur les paramètres d’échelle.
• L’invariance métrique (ou faible) : Elle contraint les chargements factoriels ($lambda$) à l’égalité exacte à travers toutes les vagues temporelles ($\lambda_{t1} = \lambda_{t2} = dots = \lambda_{tT}$). Ce niveau d’invariance est le prérequis mathématique minimal absolu pour le CLPM, car il garantit que les métriques des déviations temporelles sont identiques, assurant ainsi que les paramètres autorégressifs et croisés ne reflètent pas des dilatations ou contractions arbitraires de l’unité de mesure.
• L’invariance scalaire (ou forte) : Elle contraint non seulement les chargements factoriels, mais également les seuils ou intercepts d’items ($tau$) à l’égalité au fil des vagues ($\tau_{t1} = \tau_{t2} = dots = \tau_{tT}$). Cette étape est strictement indispensable pour le modèle de courbe de croissance latente (LGCM). En effet, l’estimation valide de la moyenne de la pente latente ($\mu_S$) dépend directement de la possibilité de comparer les moyennes observées d’une vague à l’autre sans que ces dernières ne soient contaminées par des décalages d’interception d’items. Sans invariance scalaire, un chercheur observant une pente positive ne peut déterminer si le phénomène a réellement crû ou si les individus sont simplement devenus plus enclins à endosser des réponses élevées indépendamment du construit sous-jacent.
• L’invariance stricte (ou résiduelle) : Elle impose l’égalité des variances d’erreur des indicateurs à travers le temps. Bien que théoriquement désirable pour assurer une précision de mesure constante, elle est généralement considérée comme excessivement restrictive et non nécessaire pour l’interprétation substantielle des trajectoires ou des effets décalés.

La prise en compte de ces exigences méthodologiques prouve sans ambiguïté que le CLPM et le LGCM s’élèvent bien au-delà de simples formules de régression : ils s’articulent intimement avec la théorie de la mesure, rappelant qu’une modélisation dynamique robuste ne peut faire l’économie d’une fondation psychométrique irréprochable.

5.3 Modèles hybrides intégratifs : combler le fossé méthodologique

Face à la dichotomie conceptuelle opposant la directionalité des retards croisés et l’élégance morphologique des courbes de croissance, des méthodologistes de premier plan ont développé des formulations hybrides sophistiquées visant à réconcilier ces deux paradigmes au sein d’une structure mathématique synthétique unifiée. Deux architectures principales émergent de ces efforts méthodologiques : le modèle autorégressif à trajectoire latente (Autoregressive Latent Trajectory Model, ALT) et le modèle de courbe de croissance latente avec résidus structurés (Latent Curve Model with Structured Residuals, LCM-SR).

Le modèle ALT, théorisé et formalisé principalement par Kenneth A. Bollen et Patrick J. Curran, intègre simultanément au sein de la même équation structurelle une composante de courbe de croissance continue (intercept $I$ et pente $S$) et des chemins autorégressifs d’ordre 1 reliant les variables d’une vague à la suivante ($Y_t$ régressé sur $Y_{t-1}$). Sous sa déclinaison bivariée étendue, le modèle autorise l’estimation conjointe de trajectoires globales de développement et de chemins croisés décalés résiduels entre les variables. Bien que conceptuellement séduisant sur le papier, le modèle ALT canonique a soulevé de redoutables interrogations mathématiques et méthodologiques. D’une part, l’inclusion simultanée de coefficients autorégressifs directs et d’une pente latente continue modifie profondément l’interprétation substantielle de cette dernière : la pente n’y représente plus le taux d’évolution total observé, mais un taux de changement incrémentiel résiduel débarrassé de l’effet d’entraînement autorégressif continu. D’autre part, le modèle ALT souffre fréquemment de graves écueils d’identification empirique, de singularité de matrices de covariance et de problèmes de non-convergence des algorithmes d’estimation dès lors que le nombre de vagues est modeste.

Pour dépasser ces apories mathématiques, Curran, Howard, Bainter, Lane et McGinley ont proposé une alternative bien plus robuste et intuitive : le modèle de courbe de croissance latente avec résidus structurés (LCM-SR). Au lieu d’enchevêtrer les régressions décalées directement sur les variables observées portant la croissance, le modèle LCM-SR applique une décomposition hiérarchique stricte à deux étages. Le premier étage capture l’intégralité de la tendance développementale temporelle via un modèle de croissance latente standard (LGCM), drainant ainsi toute la composante de variance interindividuelle stable et les dynamiques de maturation globale au sein des facteurs d’intercept et de pente. Dans un second étage orthogonal, le modèle structure la matrice des erreurs résiduelles spécifiques au temps : au lieu d’être considérées comme de simples bruits indépendants, les déviations résiduelles temporelles sont connectées entre elles par des paramètres autorégressifs et des coefficients croisés décalés, exactement à la manière d’un RI-CLPM.

Le LCM-SR constitue indéniablement le couronnement de la synthèse méthodologique entre le CLPM et le LGCM. Il permet à l’analyste de répondre conjointement et sans distorsion d’échelle à deux questions théoriques distinctes au sein d’une formulation unique : d’un côté, modéliser la co-évolution macroscopique continue à long terme des individus à travers leurs courbes de croissance respectives ; de l’autre, évaluer les dynamiques réactives microscopiques à court terme via les retards croisés résiduels capturant l’impact prospectif des perturbations et des écarts transitoires par rapport à la trajectoire de référence. Malgré cette puissance incontestable, le déploiement du LCM-SR requiert des effectifs d’échantillons massifs (fréquemment $N > 500$) et un minimum de quatre, voire cinq vagues de mesure complètes pour converger de manière stable vers des solutions identifiables et interprétables.

6. Critères de sélection méthodologique en recherche empirique

6.1 Quand privilégier le modèle à retards croisés (CLPM / RI-CLPM)

Le choix d’orienter une investigation empirique vers la famille des modèles à retards croisés — en consacrant impérativement la priorité au RI-CLPM pour s’affranchir des failles démontrées du CLPM classique — doit être gouverné par des fondements théoriques précis et spécifiques. Cette architecture s’impose de manière élective dès lors que la question de recherche centrale porte explicitement sur l’élucidation de la préséance temporelle et l’identification de relations causales réciproques entre deux ou plusieurs dimensions psychologiques, comportementales ou sociales ne manifestant aucune tendance systématique de croissance unitaire au fil du temps.

Un contexte d’application prototypique concerne les systèmes transactionnels homéostatiques ou oscillatoires caractérisés par une autorégulation d’équilibre. Prenons pour illustration la relation dynamique unissant l’exposition quotidienne aux écrans de smartphones et les symptômes d’anxiété chez de jeunes adultes suivis sur six mois à raison d’une mesure bimestrielle. Dans cette configuration empirique, il n’existe aucune hypothèse théorique plausible prédisant que les participants doivent traverser une trajectoire continue et indéfinie d’accroissement de leur anxiété ou de leur temps d’écran selon une fonction temporelle monotone. L’intérêt théorique substantiel réside plutôt dans l’évaluation des déviations aiguës : lorsqu’un sujet expérimente une augmentation ponctuelle inhabituelle de son temps d’écran par rapport à sa propre moyenne de base, cette variation entraîne-t-elle, à la vague suivante, une élévation de son score d’anxiété au-dessus de son niveau d’équilibre ordinaire ? Le RI-CLPM est l’instrument le plus adapté pour tester ce type de couplage dynamique intra-individuel à court terme tout en neutralisant l’association interindividuelle stable sous-jacente.

De surcroît, le RI-CLPM s’avère particulièrement indiqué lorsque l’échantillon d’observation agrège des sujets d’âges hétérogènes au sein d’un même devis de collecte (par exemple un panel national regroupant des individus de 18 à 75 ans mesurés à intervalles réguliers). Dans un tel échantillon transversalement hétérogène mais suivi longitudinalement, le temps calendaire de l’étude ne correspond à aucune phase développementale homogène partagée par les participants : postuler une courbe de croissance globale unifiée au niveau de la population manquerait totalement de sens substantiel, alors que la modélisation des régulations dynamiques décalées via un modèle à retards croisés s’applique avec une parfaite cohérence structurelle à l’ensemble du panel.

6.2 Quand opter pour le modèle de courbe de croissance latente (LGCM)

À l’opposé, l’adoption du modèle de courbe de croissance latente s’impose comme une nécessité méthodologique impérieuse dès lors que l’analyste étudie des processus de maturation continue, de développement cognitif, d’apprentissage cumulatif, d’érosion adaptative ou de sénescence biologique. Le LGCM constitue la méthodologie fondamentale lorsque la théorie postule l’existence d’une trajectoire ordonnée se déployant systématiquement le long de l’axe temporel, et que la problématique de recherche s’intéresse en premier lieu à la caractérisation morphologique de cette trajectoire et à l’identification des facteurs qui en modulent la vélocité.

Considérons, à titre d’illustration exemplaire, une étude de cohorte examinant l’acquisition des compétences en lecture et en vocabulaire chez de jeunes enfants suivis semestriellement du début du cours préparatoire jusqu’à la fin de l’école élémentaire. Dans ce scénario, le cadre théorique stipule de manière incontournable un processus de croissance cumulatif : les compétences des enfants s’accroissent de manière continue sous l’effet combiné de la maturation neurobiologique et de l’instruction pédagogique. Appliquer un modèle à retards croisés à ce type de données constituerait une bévue méthodologique sévère, réduisant un splendide schéma de maturation continu en un chapelet de régressions locales saturées par une fausse autocorrélation. Le LGCM multivarié parallèle permettra au contraire d’estimer avec précision le niveau initial moyen en lecture, le taux de progression annuel moyen des cohortes, la variance de ces taux entre les élèves, et déterminera avec exactitude si un vocabulaire de départ plus élevé prédit une progression plus rapide de la compétence de lecture au cours des années d’apprentissage.

Le LGCM s’avère également le choix méthodologique par excellence dans le champ des essais cliniques randomisés ou des études évaluatives interventionnelles. Lorsqu’un protocole compare l’efficacité thérapeutique d’un nouveau traitement pharmacologique ou d’une psychothérapie par rapport à une condition contrôle sur plusieurs mois d’évaluation, le chercheur ne cherche pas à savoir si les symptômes à la semaine 4 causent les symptômes à la semaine 8 via une dynamique autorégressive. Son objectif fondamental consiste à tester si la pente de décroissance latente des symptômes est significativement plus abrupte et prononcée dans le groupe interventionnel par rapport au groupe témoin. Le LGCM conditionnel répond précisément à cet impératif d’inférence en modélisant l’impact direct de la variable catégorielle d’assignation au groupe thérapeutique sur le facteur de pente latente, tout en gérant de façon optimale l’incertitude métrologique et les données d’attrition résiduelles.

6.3 Arbre décisionnel pour guider le choix du chercheur

Pour assister l’analyste quantitatif dans le choix rigoureux du modèle le plus adapté à ses données et à ses interrogations scientifiques, il est précieux de formaliser le cheminement méthodologique sous la forme d’un arbre décisionnel systématique articulé en étapes séquentielles :

Étape 1 : Clarification de l’hypothèse théorique substantive. L’analyste doit formuler explicitement la nature du processus étudié :

• Si le processus est conceptualisé comme une dynamique homéostatique, transactionnelle, réactive ou d’influence mutuelle sans changement directionnel unitaire au fil du temps $\rightarrow$ Orienter le choix vers la modélisation à retards croisés.
• Si le processus postule une évolution continue systématique, un apprentissage progressif, une sénescence ou un développement morphologique cumulatif orienté $\rightarrow$ Orienter le choix vers la modélisation de trajectoire latente (LGCM).

Étape 2 : Évaluation des caractéristiques de l’échantillonnage et du devis temporel.

• Combien de vagues de mesure sont disponibles ? Si $T = 2$, seul le CLPM classique est mathématiquement estimable (sous réserve de saturation du modèle) ; le LGCM et le RI-CLPM sont proscrits par impossibilité d’identification. Si $T ge 3$, le RI-CLPM et le LGCM linéaire deviennent tous deux pleinement éligibles. Si une trajectoire curvilinéaire non linéaire est attendue, $T ge 4$ vagues deviennent impératives pour un LGCM quadratique ou spline.
• L’espacement temporel entre les vagues est-il homogène ? Si les intervalles sont irréguliers ou inégaux au sein du calendrier de suivi, le LGCM s’applique de manière naturelle et immédiate par le codage métrique des chargements $\lambda_t$. À l’inverse, l’application d’un modèle à retards croisés (CLPM/RI-CLPM) sur des intervalles asymétriques exigera le passage contraignant à une modélisation en temps continu sous peine de générer des distorsions mathématiques majeures sur les paramètres structuraux.

Étape 3 : Définition du niveau de décomposition de variance visé.

• L’objectif scientifique requiert-il d’isoler explicitement ce qui relève des prédispositions stables des individus de ce qui relève des variations momentanées au fil du temps ? Si la réponse est affirmative et que la causalité transactionnelle est visée, le recours au RI-CLPM s’impose comme un standard inaliénable.
• La recherche ambitionne-t-elle de documenter simultanément la trajectoire de croissance à long terme et les couplages réactifs décalés à court terme intervenant autour de cette trajectoire ? Si l’échantillon comprend au moins $N ge 500$ sujets et $T ge 4$ vagues régulières, la mise en œuvre d’un modèle hybride intégratif tel que le LCM-SR représente la solution optimale.

Étape 4 : Vérification de la puissance statistique et des conditions métrologiques. L’analyste doit impérativement s’assurer de l’invariance de mesure temporelle (invariance métrique pour les modèles à retards croisés ; invariance scalaire pour les modèles de courbes de croissance) et conduire une analyse de puissance a priori par simulation de Monte-Carlo pour valider que la taille d’échantillon $N$ disponible permet une convergence stable et la détection fiable des tailles d’effet attendues.

7. Foire aux questions sur le CLPM et le LGCM

7.1 Pourquoi le CLPM classique est-il aujourd’hui fortement critiqué ?

Le modèle de panel à retards croisés classique (CLPM) subit un désaveu méthodologique profond et quasi unanime au sein de la littérature spécialisée contemporaine en raison de son incapacité congénitale à séparer la variance interindividuelle stable (entre personnes) de la variance intra-individuelle dynamique (au sein des personnes). Comme l’ont démontré les travaux percutants d’Ellen Hamaker (2015) ainsi que ceux de Berry et Willoughby (2017), le CLPM standard force les données empiriques à passer par un filtre unique de régressions séquentielles. Lorsque les variables mesurées sont influencées par des caractéristiques individuelles durables ou des facteurs confondants intemporels non mesurés — ce qui est le cas de la quasi-totalité des traits psychologiques, comportementaux, cognitifs ou sociaux —, le CLPM classique impute indûment cette covariance interindividuelle persistante aux paramètres autorégressifs et aux coefficients croisés décalés.

Cette carence structurelle engendre un risque dramatique de générer des faux positifs statistiques massifs. Il a été formellement démontré par simulation numérique qu’un CLPM conventionnel peut identifier des effets croisés décalés hautement significatifs ($\beta_{Y \leftarrow X} \neq 0$ et $\beta_{X \leftarrow Y} \neq 0$) alors même que les mécanismes causaux réels au niveau intra-individuel sont rigoureusement nuls, l’association observée n’étant que le reflet d’une simple corrélation statique de niveau entre deux intercepts de traits stables. Par conséquent, l’usage du CLPM traditionnel sans interception aléatoire est aujourd’hui considéré par les méthodologistes comme obsolète et générateur d’inférences fallacieuses. La communauté de modélisation par équations structurelles recommande de manière résolue de lui substituer systématiquement le RI-CLPM dès lors que le nombre de vagues d’observation ($T ge 3$) le permet.

7.2 Combien de vagues de mesures sont nécessaires pour estimer un LGCM ?

L’estimation rigoureuse d’un modèle de courbe de croissance latente (LGCM) obéit à des contraintes d’identification mathématique strictes régies par le nombre de données uniques présentes dans la matrice de covariance observée. Pour un modèle de croissance univarié linéaire standard, le seuil d’éligibilité minimal absolu est de trois vagues de mesure ($T = 3$). Avec trois points temporels, le modèle dispose d’exactement 6 éléments d’information dans la matrice de variance-covariance et de 3 moyennes observées (soit 9 moments statistiques au total), ce qui permet d’identifier et d’estimer sans sur-paramétrisation la moyenne de l’intercept ($\mu_I$), la moyenne de la pente ($\mu_S$), la variance de l’intercept ($\psi_{II}$), la variance de la pente ($\psi_{SS}$), leur covariance réciproque ($\psi_{IS}$) et une variance d’erreur résiduelle homogène ($\sigma^2$), le modèle étant alors ajusté avec zéro degré de liberté structurel ou un degré de liberté en cas de contraintes résiduelles appropriées.

Cependant, pour qu’un LGCM acquière une véritable puissance de test statistique et permette d’évaluer empiriquement la qualité d’ajustement global via les métriques classiques (RMSEA, CFI, etc.), la disposition de quatre vagues de collecte ($T ge 4$) s’avère hautement préférable, même pour une trajectoire présumée linéaire. Dès lors que la théorie scientifique sous-jacente ou l’examen préliminaire des données suggère l’existence d’une dynamique non linéaire — telle qu’une courbure d’accélération ou d’extinction modélisée par un facteur quadratique ($Q$) —, l’inclusion de quatre vagues de mesure constitue un minimum mathématique infranchissable pour éviter la sous-identification des paramètres polynomiaux. Enfin, l’estimation de modèles de croissance latente non linéaires à chargements factoriels libres ou de fonctions splines à nœuds de rupture requiert fréquemment cinq vagues de mesure ($T ge 5$) ou davantage, adossées à un espacement temporel substantiellement calibré pour laisser au phénomène le temps d’exprimer son plein potentiel de transformation développementale.

7.3 Quelle est la différence fondamentale entre le RI-CLPM et le modèle ALT ?

Bien que le modèle de panel à retards croisés à interception aléatoire (RI-CLPM) et le modèle autorégressif à trajectoire latente (Autoregressive Latent Trajectory, ALT) soient tous deux des architectures avancées conçues pour intégrer l’hétérogénéité stable dans l’analyse de panel, ils reposent sur des conceptions fondamentalement divergentes de la dynamique temporelle. La distinction réside dans la modélisation explicite de la croissance temporelle continue et dans la façon dont les composantes d’état sont agencées vis-à-vis des facteurs latents.

Le RI-CLPM postule un modèle sans trajectoire de croissance continue au fil du temps. Il sépare la variance entre une composante de trait stable et invariable — capturée par un facteur d’interception aléatoire unique ($I_X, I_Y$) par variable, dont les chargements sont tous fixés à 1 — et des déviations résiduelles intra-individuelles oscillantes ($x_t^*, y_t^*$). Le RI-CLPM assume que les individus fluctuent autour d’un plateau moyen horizontal d’équilibre : il n’y a pas de facteur de pente latente ($S$), et le modèle n’est pas conçu pour rendre compte d’un phénomène dont la moyenne de population s’élèverait continuellement ou s’effondrerait de manière systématique au fil des années.

À l’opposé, le modèle ALT conceptualise explicitement l’existence conjointe d’une trajectoire de croissance systématique continue (intégrant à la fois un intercept $I$ et une pente latente $S$) et de paramètres autorégressifs séquentiels reliant directement les variables observées d’un temps à l’autre. Le modèle ALT tente d’estimer simultanément dans quelle mesure la position d’un individu au temps $t$ est déterminée par son adhésion à une courbe de développement macroscopique à long terme et par l’inertie locale transmise directement par la valeur de la variable au temps $t-1$. Cette spécification engendre toutefois de redoutables complexités : comme le chemin autorégressif absorbe une part de la progression temporelle, le facteur de pente dans le modèle ALT ne reflète plus le rythme de croissance absolu du phénomène, mais une dérive résiduelle difficile à appréhender conceptuellement. De surcroît, le modèle ALT souffre fréquemment de sévères problèmes d’indétermination, de corrélations de paramètres extrêmes et de non-convergence algorithmique, tandis que le RI-CLPM brille par sa stabilité numérique et son interprétabilité intuitive.

8. Conclusion et recommandations pour la pratique de recherche

8.1 Synthèse des forces et spécificités de chaque approche

L’exploration analytique approfondie du modèle de panel à retards croisés (CLPM/RI-CLPM) et du modèle de courbe de croissance latente (LGCM) met en exergue leur complémentarité théorique et méthodologique fondamentale. Aucune de ces deux démarches ne possède une supériorité statistique intrinsèque ou universelle sur l’autre : leur pertinence respective est entièrement subordonnée à la nature des questions de recherche posées, aux fondements métathéoriques des concepts investigués et aux caractéristiques structurales des données longitudinales recueillies par le chercheur empirique.

Le modèle de panel à retards croisés — lorsqu’il est formulé sous sa déclinaison contemporaine rigoureuse qu’est le RI-CLPM — excelle dans la dissection fine des dynamiques réactives et transactionnelles à court terme. Il constitue l’instrument d’élection par excellence pour tester des hypothèses de préséance prédictive, évaluer l’intensité relative d’influences bidirectionnelles ou réciproques et diagnostiquer comment les écarts momentanés d’un individu par rapport à son propre équilibre se propagent séquentiellement dans le temps vers d’autres sphères comportementales ou psychologiques. Son domaine de prédilection demeure les processus homéostatiques, adaptatifs et relationnels, où l’hétérogénéité temporelle s’exprime sous forme d’oscillations stationnaires plutôt que de transformations cumulatives globales.

Le modèle de courbe de croissance latente (LGCM) déploie quant à lui toute sa puissance heuristique dès lors que le chercheur cherche à cartographier la morphologie continue d’un changement développemental unitaire. En combinant l’estimation des moyennes de trajectoire à l’échelle de la population et l’évaluation de la variance des pentes au niveau interindividuel, le LGCM s’avère indétrônable pour comprendre la maturation cognitive, l’acquisition d’aptitudes, le déclin physiologique lié au vieillissement ou la cinétique de réponse à des programmes d’intervention clinique. Il envisage le temps comme une dimension d’évolution continue plutôt que comme un simple intervalle de décalage statistique. Lorsque la maturation et les perturbations réactives coexistent manifestement au sein du même phénomène, l’orientation vers des formulations intégratives modernes comme le LCM-SR offre la promesse d’une synthèse méthodologique globale réconciliant ces deux perspectives temporelles complémentaires.

8.2 Bonnes pratiques pour les analyses longitudinales futures

Au terme de cette analyse comparative approfondie, plusieurs recommandations impérieuses doivent guider la conception, l’exécution et la publication des travaux quantitatifs exploitant des données de panel répétées au sein des sciences humaines, médicales et comportementales :

1. Abandonner définitivement le recours au CLPM standard au profit du RI-CLPM : Compte tenu de la démonstration éclatante que le CLPM classique confond fatalement la variance intra-individuelle et les différences interindividuelles stables, générant des faux positifs d’effets croisés prédictifs, les chercheurs doivent proscrire le CLPM traditionnel dès lors qu’ils disposent de trois vagues de mesure ou plus. La modélisation par interception aléatoire (RI-CLPM) doit être systématiquement adoptée par défaut pour tester les régulations croisées décalées.

2. Justifier théoriquement et explicitement le choix de l’intervalle temporel ($\Delta t$) : L’intervalle séparant les vagues de collecte ne doit plus être le produit arbitraire de contraintes budgétaires ou de calendriers académiques aveugles. Les chercheurs doivent justifier substantiellement dans leurs protocoles pourquoi la fréquence d’échantillonnage retenue (jours, mois, années) correspond conceptuellement au temps de latence nécessaire pour que l’effet causal ou la maturation développementale se déploie de manière observable.

3. Éprouver systématiquement l’invariance de mesure temporelle : Aucune interprétation causale de paramètres croisés décalés et aucune estimation de pente de croissance ne devraient être publiées sans que la preuve rigoureuse de l’invariance métrique (pour les modèles à retards croisés) ou de l’invariance scalaire (pour les modèles de croissance) des construits n’ait été formellement établie à travers l’ensemble des vagues temporelles du protocole d’observation.

4. Promouvoir la science ouverte, le pré-enregistrement et la transparence computationnelle : Afin de prévenir la sélection opportuniste de modèles dictée par l’obtention d’indices d’ajustement ou de seuils de significativité favorables, les chercheurs doivent pré-enregistrer rigoureusement leurs hypothèses longitudinales et l’architecture analytique envisagée. De surcroît, la mise à disposition transparente des scripts syntaxiques de modélisation (par exemple sous les progiciels R avec lavaan, Mplus ou OpenMx) et des matrices de covariance complètes constitue un impératif éthique pour garantir la reproductibilité intégrale des inférences scientifiques.

Références

Berry, D., & Willoughby, M. T. (2017). On the practical interpretability of cross-lagged panel models: Ground truth and simulated realities. Child Development, 88(4), 1186–1206. https://doi.org/10.1111/cdev.12789

Bollen, K. A., & Curran, P. J. (2004). Autoregressive latent trajectory (ALT) models: A synthesis of two traditions. Sociological Methods & Research, 32(3), 336–383. https://doi.org/10.1177/0049124103260222

Bollen, K. A., & Curran, P. J. (2006). Latent curve models: A structural equation perspective. John Wiley & Sons. https://doi.org/10.1002/0471746096

Campbell, D. T., & Kenny, D. A. (1999). A primer on regression artifacts. Guilford Press.

Curran, P. J., Howard, A. L., Bainter, S. A., Lane, S. T., & McGinley, J. S. (2014). The separation of between-person and within-person components of individual change over time: A latent curve model with structured residuals (LCM-SR). Journal of Consulting and Clinical Psychology, 82(6), 1079–1094. https://doi.org/10.1037/a0037779

Dormann, C., & Griffin, M. A. (2015). Optimal time lags in panel studies. Research in Personnel and Human Resources Management, 33, 273–322. https://doi.org/10.1108/S0742-730120150000033008

Hamaker, E. L., Kuiper, R. M., & Grasman, R. P. (2015). A critique of the cross-lagged panel model. Psychological Methods, 20(1), 102–116. https://doi.org/10.1037/a0038889

Kenny, D. A. (1975). Cross-lagged panel correlation: A test for spuriousness. Psychological Bulletin, 82(6), 887–903. https://doi.org/10.1037/0033-2909.82.6.887

Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press.

Little, T. D. (2013). Longitudinal structural equation modeling. Guilford Press.

McArdle, J. J. (2009). Latent variable modeling of differences and changes with longitudinal data. Annual Review of Psychology, 60, 577–605. https://doi.org/10.1146/annurev.psych.60.110707.163612

Meredith, W., & Tisak, J. (1990). Latent curve analysis. Psychometrika, 55(1), 107–122. https://doi.org/10.1007/BF02294745

Molenaar, P. C. (2004). A manifesto on psychology as a idiographic science: Bringing the person back into scientific psychology, this time forever. Measurement: Interdisciplinary Research and Perspectives, 2(4), 201–218. https://doi.org/10.1207/s15366359mea0204_1

Preacher, K. J., Wichman, A. L., MacCallum, R. C., & Briggs, N. E. (2008). Latent growth curve modeling. SAGE Publications. https://doi.org/10.4135/9781412984737

Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02