Rotation orthogonale vs. Rotation oblique

L’analyse factorielle exploratoire constitue depuis plus d’un siècle l’un des piliers méthodologiques les plus influents des sciences du comportement, de la psychométrie, de la sociologie quantitative, du marketing et de l’économétrie appliquée. Conçue à l’origine pour identifier les dimensions latentes inobservables qui sous-tendent une multitude d’indicateurs manifestes corrélés, cette famille de techniques multivariées partage un défi mathématique fondamental : le problème de l’indétermination rotationnelle. Lorsqu’une méthode d’extraction initiale — qu’il s’agisse de l’analyse en composantes principales, de l’analyse en facteurs principaux ou de l’estimation par le maximum de vraisemblance — isole un sous-espace vectoriel de facteurs communs, l’orientation spatiale de ces axes est arbitraire d’un point de vue purement statistique. Une infinité de repères géométriques différents est capable de reproduire avec une fidélité mathématique rigoureusement identique la matrice de corrélation ou de covariance observée, tout en conservant intactes les valeurs de communalité associées à chaque variable observée.

Face à cette indétermination fondamentale, l’analyste de données ne peut se contenter de la solution initiale non tournée, qui condense généralement une proportion disproportionnée de variance sur un premier facteur général massif tout en conférant aux facteurs subséquents des saturations bipolaires difficiles à interpréter sur le plan substantiel. C’est ici qu’intervient la rotation factorielle, processus analytique dont l’objet exclusif est de modifier la perspective géométrique du système d’axes afin de maximiser la clarté théorique et la parcimonie empirique des résultats sans altérer la qualité globale de l’ajustement statistique. Cependant, ce geste méthodologique en apparence technique confronte immédiatement le chercheur à un arbitrage épistémologique majeur : convient-il de contraindre les axes factoriels à demeurer strictement indépendants les uns des autres en vertu d’un postulat d’orthogonalité, ou faut-il au contraire autoriser les dimensions sous-jacentes à entretenir des corrélations mutuelles à travers une rotation oblique ?

Ce choix entre rotation orthogonale et rotation oblique ne se résume pas à une simple préférence calculatoire ou à une commodité algorithmique disponible par défaut dans les logiciels d’analyse de données. Il engage directement la validité de construit, la fidélité de la représentation théorique du phénomène étudié, la nature même des scores factoriels calculés et la capacité du modèle à être reproduit de manière stable au sein d’échantillons indépendants. Le présent article propose une analyse comparative approfondie, théorique et appliquée, de ces deux grandes familles de transformations spatiales. À travers l’examen de leurs fondements mathématiques, de leurs algorithmes emblématiques, de leurs propriétés géométriques respectives et de leurs conséquences pratiques sur la modélisation statistique, nous établirons une grille d’évaluation rigoureuse destinée à guider les chercheurs et analystes dans le déploiement de leurs analyses factorielles exploratoires.

1. Introduction : Les fondements de la rotation factorielle en statistique multivariée

1.1 Définition conceptuelle et rôle de la rotation factorielle

L’analyse factorielle commune postule que chaque variable manifeste observée peut être exprimée comme une combinaison linéaire d’un nombre restreint de facteurs communs inobservables, auxquels s’ajoute un facteur unique spécifique englobant la variance d’erreur et la variance propre non partagée. Dans sa formulation matricielle classique, ce modèle s’écrit sous la forme X = Λ F + e, où X représente le vecteur des variables centrées-réduites, Λ la matrice des saturations factorielles (ou factor loadings), F le vecteur des facteurs latents et e le vecteur des résidus spécifiques. Lorsque l’extraction mathématique initiale est opérée, les algorithmes maximisent successivement la variance extraite par chaque composante ou facteur sous la contrainte d’une orthogonalité computationnelle. Si cette approche garantit l’optimalité de la condensation mathématique du signal, elle génère quasi systématiquement des matrices de saturation complexes et ambiguës, où la majorité des variables présentent des projections non négligeables sur l’ensemble des axes extraits.

Pour remédier à cette ambiguïté, la rotation factorielle intervient comme une transformation linéaire bijective opérée au sein du sous-espace factoriel à m dimensions retenu. Géométriquement, cette opération consiste à faire pivoter les axes de référence autour de leur origine commune sans modifier l’emplacement relatif des points représentant les variables observées dans cet espace. Sur le plan matriciel, cela revient à multiplier la matrice initiale des saturations factorielles Λ par une matrice de transformation inversible T, donnant naissance à une nouvelle matrice de saturation tournée Λ* = Λ T. La propriété remarquable de cette transformation réside dans la préservation intégrale de la métrique sous-jacente : la part de variance expliquée pour chaque variable, définie par la communalité (notée h_i²), demeure rigoureusement invariante avant et après la rotation. De même, la matrice de corrélation modélisée ou reproduite par les facteurs communs reste strictement identique. La rotation n’ajoute ni ne retranche aucune information statistique ; elle redistribue simplement la variance commune au sein d’un nouveau système de coordonnées afin de rendre les facteurs intelligibles pour l’esprit humain.

Le critère normatif guidant cette transformation géométrique a été formulé de manière princeps par le psychomètre Louis Leon Thurstone à travers son concept de structure simple. Confronté à la complexité des représentations factorielles de l’intelligence humaine, Thurstone a postulé qu’une solution factorielle idéale doit obéir à cinq exigences fondamentales d’élégance et de parcimonie : chaque ligne de la matrice de saturation doit contenir au moins une valeur proche de zéro ; pour chaque facteur extrait, il doit exister plusieurs variables dont la saturation est quasi nulle ; pour chaque paire de facteurs, plusieurs variables doivent saturer fortement sur l’un mais très faiblement sur l’autre ; pour chaque paire de facteurs, une grande proportion de variables doit présenter des saturations négligeables sur les deux dimensions si le nombre total de facteurs dépasse quatre ; enfin, pour chaque paire de facteurs, seule une fraction minimale de variables doit présenter des saturations simultanément élevées sur les deux axes. L’objectif ultime de la rotation est donc de substituer à une configuration complexe une structure claire où chaque indicateur manifeste s’associe de manière univoque à une dimension latente spécifique, éliminant ainsi les saturations croisées indésirables.

1.2 Origine du dilemme : indépendance versus corrélation théorique

Dès lors que la nécessité d’une rotation est reconnue, une question épistémologique centrale surgit quant aux propriétés géométriques que doit respecter la matrice de transformation T. Deux orientations paradigmatiques s’opposent. La première école de pensée, héritière du formalisme mathématique pur et des travaux de Pearson et Spearman, préconise la contrainte d’une indépendance absolue entre les dimensions latentes. Dans cette perspective, la matrice de transformation T doit être strictement orthogonale, ce qui implique que T^T T = I (où I désigne la matrice identité). Les axes factoriels résultants conservent ainsi un angle géométrique invariable de 90 degrés dans l’espace euclidien, garantissant que les facteurs sous-jacents ne partagent aucune covariance statistique et demeurent rigoureusement non corrélés entre eux.

À l’opposé de cette rigueur géométrique se dresse l’école de la flexibilité empirique, défendue avec vigueur par Thurstone lui-même et ultérieurement par Raymond Cattell. Cette seconde approche soutient que la nature phénoménologique du monde réel — en particulier dans le domaine des sciences humaines, sociales, cliniques, organisationnelles et biologiques — obéit rarement à des lois de compartimentation étanche. Les construits psychologiques complexes, tels que l’anxiété et la dépression, ou les diverses composantes de l’aptitude verbale et quantitative, entretiennent des relations fonctionnelles et des chevauchements conceptuels étroits. Forcer mathématiquement des dimensions latentes à demeurer orthogonales lorsque les entités théoriques qu’elles mesurent sont intrinsèquement corrélées dans la population parente constitue, selon cette perspective, une distorsion artificielle de la réalité. La rotation oblique assouplit la contrainte angulaire, autorisant les axes factoriels à former des angles aigus ou obtus afin de s’aligner au plus près des grappes naturelles de variables observées.

Cette divergence suscite fréquemment une grande confusion chez les praticiens de l’analyse multivariée. Beaucoup cèdent à la tentation de recourir aveuglément à des procédures orthogonales par défaut, souvent en raison de la simplicité apparente de leurs sorties logicielles, sans mesurer les conséquences méthodologiques délétères d’un tel choix sur la validité des construits. Si l’orthogonalité simplifie considérablement le calcul ultérieur de scores factoriels dénués de colinéarité, elle risque d’occulter la présence de facteurs généraux d’ordre supérieur et de déformer les estimations des saturations. Inversement, l’acceptation de la corrélation factorielle via une rotation oblique complexifie immédiatement le protocole d’analyse en dédoublant la matrice de saturation initiale en deux entités distinctes : la matrice de configuration (pattern matrix) et la matrice de structure (structure matrix). Le choix rotationnel constitue donc l’arbitrage cardinal déterminant la fidélité, l’interprétabilité et la transférabilité de l’ensemble de l’édifice factoriel.

2. Vue d’ensemble de la rotation orthogonale : L’indépendance factorielle stricte

2.1 Fondements mathématiques et contrainte d’orthogonalité

La rotation orthogonale repose sur l’application d’un opérateur de rotation rigide au sous-espace factoriel initialement extrait. Dans cette configuration géométrique, les axes factoriels pivotent autour de l’origine comme une armature solidaire et indéformable. L’angle euclidien séparant n’importe quelle paire de facteurs est maintenu à une valeur invariante de 90 degrés, soit π/2 radians. Sur le plan de l’algèbre linéaire, cette contrainte se traduit par le caractère orthonormé de la matrice de transformation T. Puisque les vecteurs colonnes de T sont mutuellement orthogonaux et de norme unitaire, la matrice inverse coïncide rigoureusement avec sa transposée, vérifiant la relation fondamentale T^-1 = T^T, d’où découle T T^T = T^T T = I.

Cette propriété géométrique stricte emporte des conséquences directes sur les matrices de variance-covariance et de corrélation factorielle. En désignant par Φ la matrice symétrique des corrélations entre les facteurs communs extraits, la contrainte d’orthogonalité impose de manière axiomatique que Φ = I. En d’autres termes, les éléments diagonaux de Φ, qui représentent les variances des facteurs standardisés, sont égaux à l’unité, tandis que l’ensemble des termes extradiagonaux est rigoureusement nul. Il s’ensuit que la covariance entre le facteur j et le facteur k satisfait la condition Cov(F_j, F_k) = 0 pour tout j ≠ k.

L’une des manifestations les plus remarquables de cette contrainte mathématique réside dans l’unification conceptuelle de la matrice de configuration factorielle et de la matrice de structure factorielle. Dans le cadre général de l’analyse multivariée, la matrice de structure S s’obtient par le produit matriciel de la matrice de configuration Λ par la matrice de corrélation factorielle, selon l’équation générale S = Λ Φ. Sous le régime de l’orthogonalité stricte, puisque Φ = I, cette équation se simplifie de manière immédiate :

S = Λ I = Λ

Cette identité parfaite signifie que les coefficients de saturation factorielle figurant dans la matrice tournée représentent simultanément deux propriétés distinctes : ils constituent d’une part les coefficients de régression standardisés directs reliant chaque variable au facteur considéré (poids de configuration), et d’autre part les coefficients de corrélation bivariée de Pearson reliant directement la variable observée à ce même facteur (coefficients de structure). Cette équivalence computationnelle simplifie drastiquement le travail d’interprétation pour le statisticien, qui ne dispose que d’une unique grille de lecture numérique pour appréhender la contribution de chaque variable à la définition des axes latents.

2.2 Principales méthodes de rotation orthogonale

Afin d’orienter l’armature orthogonale vers la position la plus proche possible de la structure simple thurstonienne, plusieurs fonctions de perte et critères d’optimisation mathématique ont été développés au cours du XXe siècle. Parmi ces méthodes, l’algorithme Varimax, introduit par Henry F. Kaiser en 1958, s’est imposé comme le standard incontournable de la discipline. L’intuition sous-jacente au Varimax repose sur la maximisation de la variance des saturations au carré le long de chaque colonne de la matrice factorielle. En élevant au carré les saturations, Kaiser neutralise l’impact des signes positifs ou négatifs et pénalise sévèrement les valeurs intermédiaires. Le critère Varimax tend à polariser les saturations de chaque facteur : il pousse les coefficients élevés vers l’unité et comprime les coefficients modérés vers zéro. Mathématiquement, pour un ensemble de p variables et m facteurs, la fonction objectif brute maximisée par l’algorithme s’énonce :

V = ∑_j=1^m [ ∑_i=1^p (λ_ij²)² – (1/p) (∑_i=1^p λ_ij²)² ]

Dans la pratique logicielle standardisée, on applique quasi systématiquement la normalisation de Kaiser, qui consiste à diviser préalablement chaque saturation λ_ij par la racine carrée de la communalité de la variable associée (h_i). Cette opération confère un poids équivalent à toutes les variables lors de la phase d’optimisation numérique, évitant que les variables dotées d’une très forte communalité ne dictent de manière disproportionnée l’orientation finale des axes. Une fois la rotation convergée, la normalisation est inversée en multipliant à nouveau les saturations par h_i pour restituer la métrique d’origine.

Deux autres méthodes orthogonales classiques méritent d’être distinguées, bien que leur emploi soit aujourd’hui plus restreint :

• Quartimax : Proposée indépendamment par plusieurs statisticiens au début des années 1950, la rotation Quartimax cherche à simplifier les lignes de la matrice de saturation plutôt que ses colonnes. Elle vise à maximiser la variance des saturations au carré sur l’ensemble de la matrice sans accorder de priorité à la dispersion intra-facteur. L’inconvénient notoire du Quartimax réside dans sa propension marquée à isoler un premier facteur général massif sur lequel la quasi-totalité des variables manifestent des saturations substantielles, ce qui compromet fréquemment l’atteinte d’une véritable structure simple différenciée.
• Equamax : Conçue comme un compromis paramétrique entre le Varimax et le Quartimax, la méthode Equamax régule simultanément la variance des saturations au carré au sein des lignes et au sein des colonnes. Elle ajuste dynamiquement la pondération de l’algorithme en fonction du nombre de variables observées et du nombre de facteurs extraits. Bien qu’élégante sur le plan conceptuel, elle peut parfois générer des solutions instables ou arbitrairement subdivisées lorsque la taille d’échantillon est restreinte ou que le ratio variables/facteurs est atypique.

2.3 Avantages épistémologiques et limites structurelles

Le succès phénoménal de la rotation orthogonale, en particulier de la méthode Varimax, repose sur des atouts analytiques considérables. En premier lieu, la stricte indépendance factorielle garantit une absence totale de multicolinéarité entre les facteurs extraits. Dans de nombreux protocoles de recherche quantitative, l’analyse factorielle n’est qu’une étape intermédiaire destinée à réduire la dimensionnalité des données avant d’injecter des scores factoriels dans des modèles d’évaluation subséquents, tels que des régressions linéaires multiples, des analyses de survie, des régressions logistiques ou des analyses discriminantes. Lorsque les prédicteurs latents sont mutuellement orthogonaux, les coefficients de régression associés reflètent la contribution unique et non ambiguë de chaque dimension sans risque d’inflation de la variance des erreurs-types ou de perturbations dues à la colinéarité.

En second lieu, la rotation orthogonale confère une remarquable stabilité aux représentations géométriques et en facilite l’appropriation cognitive par les chercheurs. L’interprétation des données au sein d’un repère cartésien standard, où la distance d’un point à un axe correspond directement à sa projection perpendiculaire, s’aligne intuitivement sur les réflexes de la géométrie euclidienne élémentaire. En outre, la décomposition de la variance totale expliquée répond à une stricte propriété d’additivité arithmétique : la variance totale expliquée par l’ensemble des facteurs communs équivaut exactement à la somme linéaire des variances expliquées individuellement par chaque facteur tourné. Cette additivité simplifie grandement l’établissement de bilans quantitatifs synthétiques au sein des rapports de recherche.

Néanmoins, ces avantages pratiques s’accompagnent de limites structurelles substantielles qui ont fait l’objet de critiques méthodologiques sévères dans la littérature psychométrique contemporaine. En contraignant artificiellement l’indépendance de facteurs qui partagent des fondements biologiques, cognitifs ou sociaux communs, la rotation orthogonale risque de violer l’écologie même du phénomène étudié. Lorsque deux dimensions théoriques sont réellement corrélées dans la population sous-jacente, le maintien forcé d’un angle de 90 degrés contraint l’algorithme à opérer des compromis géométriques distorsifs. Pour tenter de minimiser les fonctions de perte sous cette contrainte non naturelle, la méthode Varimax est fréquemment amenée à créer des saturations croisées artificielles ou, à l’inverse, à forcer l’apparition de facteurs bipolaires illusoires comportant des saturations négatives sans fondement substantiel. Dès lors, le chercheur s’expose au péril d’attribuer une signification conceptuelle profonde à ce qui ne constitue en réalité qu’un artefact mathématique engendré par un postulat d’orthogonalité inapproprié.

3. Vue d’ensemble de la rotation oblique : La flexibilité des dimensions corrélées

3.1 Fondements géométriques et assouplissement angulaire

La rotation oblique s’émancipe de la contrainte d’indépendance factorielle en autorisant les axes factoriels de référence à pivoter librement de manière autonome. Dans cette configuration géométrique souple, les axes ne sont plus verrouillés au sein d’un cadre rigide orthogonal : l’angle θ qui sépare deux facteurs quelconques peut devenir aigu (θ < 90°) ou obtus (θ > 90°). Le cosinus de cet angle géométrique correspond précisément au coefficient de corrélation de Pearson existant entre les deux dimensions latentes correspondantes. Dès lors que l’orthogonalité est abandonnée, la matrice de corrélation factorielle Φ cesse d’être une matrice identité ; elle devient une matrice symétrique complète comportant des valeurs extradiagonales non nulles (r_jk ≠ 0) traduisant l’intensité et la direction des interdépendances entre les construits.

Cet assouplissement angulaire autorise les facteurs à s’orienter directement vers les faisceaux denses de variables observées au sein du nuage de points, épousant fidèlement la structure topologique naturelle des données. Cependant, cette liberté géométrique induit une rupture fondamentale dans la modélisation mathématique : la perte de l’équivalence entre la projection orthogonale et la projection oblique nécessite la scission formelle de la représentation factorielle en deux matrices distinctes et complémentaires :

La première est la matrice de configuration factorielle (pattern matrix), généralement notée P ou Λ. Ses éléments, dénommés saturations de configuration, correspondent aux coefficients de régression partielle standardisés reliant chaque variable manifeste au facteur latent, après contrôle et neutralisation des effets de l’ensemble des autres facteurs du modèle. La matrice de configuration isole la contribution unique et spécifique du facteur à l’explication de la variance de la variable observée. Elle constitue la matrice analytique d’interprétation privilégiée par les chercheurs, car elle traduit la structure causale théorique directe postulated dans le modèle de mesure.

La seconde est la matrice de structure factorielle (structure matrix), notée S. Ses éléments représentent les coefficients de corrélation bivariée simples d’ordre zéro existant entre chaque variable manifeste et chaque facteur latent. Contrairement à la matrice de configuration, la matrice de structure incorpore à la fois la variance unique partagée directement entre le facteur et la variable, et la variance indirecte partagée par l’intermédiaire des corrélations mutuelles qu’entretient ce facteur avec les autres dimensions latentes. La relation formelle liant ces deux matrices s’énonce :

S = P Φ

Dans un contexte oblique où Φ n’est pas diagonale, chaque élément s_ij de la matrice de structure est égal à la somme pondérée des coefficients de configuration de la variable i sur l’ensemble des facteurs, multipliés par les corrélations reliant ces facteurs au facteur j : s_ij = ∑_k p_ik φ_kj. Ignorer cette dissociation fondamentale et interpréter la matrice de structure comme s’il s’agissait d’une matrice orthogonale conduit inévitablement à des contresens analytiques majeurs, les saturations de structure se trouvant artificiellement gonflées par la colinéarité factorielle.

3.2 Principales méthodes de rotation oblique

La littérature computationnelle a proposé diverses familles de critères mathématiques pour guider l’optimisation des axes obliques en direction de la structure simple thurstonienne. Deux approches algorithmiques dominent largement la pratique contemporaine dans les progiciels statistiques spécialisés :

La méthode Promax : Conçue par Hendrickson et White en 1964, la rotation Promax est une procédure en plusieurs étapes reposant sur le principe de la cible calculée. Elle combine l’élégance calculatoire de la rotation orthogonale avec la flexibilité de la géométrie oblique. Le processus se déploie en trois phases successives :

• Une rotation orthogonale Varimax est initialement appliquée à la matrice factorielle non tournée afin d’obtenir une première solution de structure simple standardisée.
• Les saturations obtenues sont ensuite élevées à une puissance exponentielle k (la valeur par défaut étant traditionnellement fixée à k = 4, bien que des valeurs de 2 ou 3 soient fréquemment explorées). Cette élévation de puissance a pour effet spectaculaire d’accentuer drastiquement les contrastes numériques : les saturations modestes (par exemple 0,20) deviennent totalement négligeables (0,20⁴ = 0,0016), tandis que les saturations substantielles (par exemple 0,80) conservent une ampleur déterminante (0,80⁴ = 0,4096). La matrice résultante, désignée sous le nom de matrice cible idéale (target matrix), conserve les signes d’origine des coefficients.
• Une rotation oblique est enfin calculée par la méthode des moindres carrés afin d’ajuster au plus près la matrice factorielle initiale sur cette matrice cible idéale. L’algorithme Promax offre une vitesse d’exécution exceptionnelle même sur des matrices de données massives comportant des centaines d’indicateurs.

La méthode Direct Oblimin : Formalisée par Jennrich et Sampson en 1966 puis perfectionnée par Clarkson et Jennrich en 1988, la méthode Direct Oblimin résout directement le problème de rotation oblique par la minimisation continue d’une fonction de perte paramétrée sur la matrice de configuration, sans recourir à une rotation orthogonale intermédiaire. La fonction de perte s’exprime selon la formulation suivante :

f(Λ) = ∑_j≠k^m [ ∑_i=1^p λ_ij² λ_ik² – (δ / p) (∑_i=1^p λ_ij²) (∑_i=1^p λ_ik²) ]

La singularité du Direct Oblimin réside dans l’intégration du paramètre δ (delta), qui permet à l’analyste de moduler explicitement le degré d’obliquité maximal consenti aux facteurs :

• Lorsque δ = 0 (la valeur par défaut dans la plupart des implémentations logicielles telles que SPSS ou SAS), l’algorithme correspond au critère Direct Quartimin et autorise un niveau d’obliquité modéré à élevé, réputé idéal pour la plupart des configurations empiriques courantes.
• Lorsque δ < 0 (les valeurs négatives pouvant descendre jusqu’à -5 ou -10), la fonction de perte pénalise sévèrement les corrélations factorielles élevées. À mesure que delta devient fortement négatif, les facteurs sont contraints à une quasi-orthogonalité.
• Lorsque δ > 0 (les valeurs positives étant généralement bornées à 0,8 pour éviter des instabilités d’inversion), l’algorithme encourage des corrélations très intenses entre les axes latents. Cette configuration doit toutefois être maniée avec une extrême prudence, sous peine de voir les facteurs s’effondrer les uns sur les autres dans un état d’intercorrélation redondante.

D’autres méthodes obliques, telles que la rotation Oblimax ou la rotation Quartimin brute, reposent sur la maximisation de l’aplatissement (kurtosis) ou la minimisation de l’entropie informationnelle de la matrice de saturation, mais elles s’avèrent structurellement moins stables que Promax et Direct Oblimin face aux variations d’échantillonnage.

3.3 Avantages d’ajustement empirique et complexité interprétative

L’avantage cardinal de la rotation oblique réside dans son adéquation phénoménologique avec la complexité inhérente aux sciences empiriques. Dans les systèmes cognitifs, affectifs, socioculturels ou physiologiques, l’indépendance stricte des mécanismes régulateurs relève de l’exception plutôt que de la norme. Autoriser les axes latents à être corrélés permet à l’algorithme de respecter la structure géométrique intrinsèque des données sans tordre artificiellement les saturations pour satisfaire un postulat euclidien dogmatique. L’analyste accède ainsi à une matrice de corrélation factorielle Φ explicite, qui fournit un matériau quantitatif d’une valeur heuristique inestimable pour cartographier les interactions fonctionnelles entre les construits.

En outre, l’obtention d’une matrice Φ comportant des corrélations factorielles substantielles (par exemple r > 0,40 ou 0,50) ouvre naturellement la voie à la modélisation hiérarchique à facteurs de second ordre. Si les dimensions latentes de premier ordre covarient significativement entre elles, cette covariance partagée suggère l’existence d’une entité causale plus abstraite régissant l’ensemble du système. C’est précisément grâce à la rotation oblique que des modèles théoriques majeurs, tels que la structure hiérarchique des aptitudes cognitives (modèle CHC pour Cattell-Horn-Carroll) ou la décomposition des facettes des troubles de l’humeur, ont pu être rigoureusement formalisés et validés.

Toutefois, cette fidélité descriptive impose un coût analytique considérable. La scission entre la matrice de configuration et la matrice de structure contraint le chercheur à une gymnastique interprétative vigilante. Dans de nombreuses situations empiriques, une variable peut présenter un coefficient de configuration nul ou négatif sur un facteur au sein de la pattern matrix, tout en affichant une corrélation bivariée positive et substantielle avec ce même facteur dans la structure matrix. Ces divergences apparentes découlent directement des effets de suppression et des dynamiques de régression multiple inhérentes à la colinéarité des axes. De plus, la variance commune expliquée par l’ensemble des facteurs obliques ne peut plus faire l’objet d’un partitionnement additif élémentaire : en raison du chevauchement de la variance partagée entre les axes corrélés, la somme des pourcentages de variance associés individuellement à chaque facteur dépasse systématiquement la variance totale véritablement expliquée par le modèle.

4. Différences clés entre rotation orthogonale et rotation oblique

4.1 Comparaison structurelle, géométrique et algorithmique

L’analyse comparative rigoureuse de la rotation orthogonale et de la rotation oblique met en lumière des divergences fondamentales portant sur l’ensemble de la chaîne de traitement mathématique. Le point de bascule réside dans le statut accordé à la métrique de l’espace factoriel. Dans la rotation orthogonale, le repère spatial pivote en conservant de manière absolue la rigidité de son produit scalaire d’origine : l’orthogonalité euclidienne est garantie par la contrainte de transformation T^T T = I. Deux facteurs quelconques demeurent donc mathématiquement indépendants, ce qui contraint les vecteurs factoriels à être asymptotiquement non corrélés au sein de la population. En revanche, la rotation oblique transforme l’espace en un repère cartésien non orthogonal, où chaque axe est libre de pivoter de manière indépendante pour trouver la ligne de plus grande densité au sein des variables observées. La contrainte de normalité unitaire des vecteurs factoriels est maintenue, mais la contrainte d’orthogonalité mutuelle est délibérément levée.

Sur le plan algorithmique, cette divergence engendre deux dynamiques computationnelles dissemblables. Alors que les méthodes orthogonales (Varimax) optimisent une fonction de distribution intra-axe fermée en recherchant une matrice de transformation orthonormée par des rotations successives de Jacobi deux à deux, les méthodes obliques (Direct Oblimin, Promax) optimisent des surfaces d’erreur plus complexes autorisant des dérivées partielles croisées entre les facteurs. La conséquence opérationnelle directe de cette géométrie réside dans le mode de restitution des résultats. Pour l’orthogonalité, l’analyste examine une seule et unique matrice de saturation qui résume l’intégralité de l’information (les poids de régression étant indissociables des corrélations simples). Pour l’obliquité, l’analyste doit impérativement inspecter simultanément trois matrices complémentaires : la matrice de configuration (pour déterminer la composition univoque des construits), la matrice de structure (pour évaluer le niveau d’association globale des items avec les facteurs) et la matrice de corrélation factorielle Φ (pour quantifier les relations entretenues par les dimensions latentes).

4.2 Propriétés statistiques et préservation de la variance

D’un point de vue statistique, l’une des distinctions les plus fondamentales concerne la décomposition et le calcul de la variance totale expliquée par les facteurs. Dans le cadre d’une solution factorielle orthogonale, la variance commune totale extraite par le modèle se décompose de façon strictement additive. Si un modèle comporte trois facteurs orthogonaux expliquant respectivement 25 %, 18 % et 12 % de la variance totale du jeu d’indicateurs, l’ensemble du système explique rigoureusement 25 + 18 + 12 = 55 % de la variance. La part de variance associée au facteur j s’obtient simplement en sommant le carré des saturations de ce facteur sur l’ensemble des p variables observées (∑_i=1^p λ_ij²), valeur directement équivalente à la valeur propre tournée (eigenvalue post-rotation).

Dans le cadre d’une solution oblique, cette propriété d’additivité arithmétique s’effondre intégralement. Étant donné que les facteurs sous-jacents sont corrélés, ils partagent entre eux une proportion substantielle de variance commune redondante. Par conséquent, si l’on calcule la somme des carrés des saturations de la matrice de structure ou de configuration pour chaque facteur, la somme linéaire de ces composantes dépasse inévitablement la variance véritablement condensée par le modèle. L’analyste ne peut donc plus affirmer que la somme des facteurs explique l’addition brute de leurs contributions respectives. La variance totale expliquée par un modèle oblique doit impérativement être calculée globalement à l’aide de l’algèbre matricielle en intégrant la matrice Φ, ou en revenant aux valeurs propres du sous-espace non tourné.

Une autre divergence fondamentale touche à la sensibilité à la multicolinéarité et à l’usage des scores factoriels dans les analyses secondaires. Lorsqu’un praticien calcule des scores factoriels (par exemple par la méthode de Bartlett ou par la méthode de régression de Thomson) issus d’une rotation orthogonale, les scores générés sont théoriquement décorrélés. Ils peuvent être directement intégrés comme prédicteurs dans un modèle d’économétrie sans risque de gonfler les facteurs d’inflation de la variance (VIF). En revanche, les scores factoriels dérivés d’une rotation oblique reproduisent la corrélation factorielle stipulée par la matrice Φ. S’ils sont insérés sans précaution au sein d’une régression multiple, ils génèrent de la multicolinéarité entre prédicteurs, ce qui peut déstabiliser l’estimation des coefficients de régression et masquer la significativité de variables contributives. Toutefois, cette corrélation n’est pas un artefact indésirable : elle traduit fidèlement la structure relationnelle du monde réel.

4.3 Tableau comparatif des paramètres d’évaluation

Le tableau ci-dessous récapitule les caractéristiques structurelles, computationnelles et pratiques qui distinguent la rotation orthogonale de la rotation oblique au sein du modèle factoriel exploratoire :

Dimension d’analyse	Rotation orthogonale	Rotation oblique
Postulat théorique fondamental	Les dimensions latentes sous-jacentes sont totalement indépendantes et n’entretiennent aucune relation fonctionnelle.	Les dimensions latentes sous-jacentes sont potentiellement ou nécessairement corrélées dans la population parente.
Angle géométrique entre les axes factoriels	Fixe et invariable, rigoureusement contraint à un angle droit de 90° (π/2 radians).	Variable et libre, formant des angles aigus (< 90°) ou obtus (> 90°) ajustés à la dispersion empirique.
Matrice de corrélation factorielle (Φ)	Matrice identité stricte (Φ = I) comportant des 1 sur la diagonale et des zéros absolus hors diagonale.	Matrice symétrique complète présentant des coefficients de corrélation de Pearson bivariés réels (-1 ≤ r ≤ 1).
Matrices de saturation générées	Une seule et unique matrice : la matrice de saturation tournée (Λ), où configuration et structure sont identiques.	Deux matrices distinctes et complémentaires : la matrice de configuration (pattern) et la matrice de structure (structure).
Signification des coefficients de saturation	Représentent simultanément les coefficients de régression standardisés directs et les corrélations bivariées simples.	Configuration : coefficients de régression partielle uniques. Structure : corrélations bivariées globales variables-facteurs.
Additivité de la variance totale expliquée	Additivité parfaite : la somme des variances individuelles des facteurs tournés égale la variance totale expliquée.	Non additive : le chevauchement de la variance partagée induit une somme de variances marginales supérieure au total réel.
Risque de biais substantiel	Risque élevé d’imposer une orthogonalité artificielle, déformant la structure factorielle et créant de fausses saturations croisées.	Risque d’obtenir des facteurs excessivement colinéaires rendant l’interprétation théorique redondante si delta est mal calibré.
Utilisation ultérieure des scores factoriels	Idéale pour alimenter des modèles prédictifs sans multicolinéarité (régressions OLS, modèles de classification).	Requiert des techniques d’analyse tenant compte de la colinéarité des prédicteurs (modélisation structurelle, régression ridge).
Possibilité d’analyser des facteurs de second ordre	Impossible directement, car les corrélations entre facteurs de premier ordre sont nulles par définition axiomatique.	Parfaitement adaptée : la matrice de corrélation factorielle Φ peut faire l’objet d’une analyse factorielle secondaire.
Algorithmes représentatifs dominants	Varimax (standard par excellence), Quartimax, Equamax.	Promax (fondé sur une matrice cible exponentielle), Direct Oblimin (paramétré par δ).

5. Similitudes et points de convergence

5.1 Objectifs communs au sein du modèle factoriel

En dépit de leurs oppositions géométriques manifestes, la rotation orthogonale et la rotation oblique partagent le même objectif téléologique : convertir une solution factorielle mathématiquement optimale mais conceptuellement opaque en une configuration répondant au principe de parcimonie de la structure simple. Les deux démarches s’accordent sur le diagnostic initial formulé par Thurstone : la première extraction non tournée présente presque invariablement un premier facteur général absorbant la majeure partie de la variance, suivi d’axes bipolaires oscillant de manière erratique entre saturations positives et négatives. Que l’on mobilise un algorithme Varimax ou une procédure Direct Oblimin, l’intention reste rigoureusement identique : regrouper les variables en faisceaux cohérents, éliminer les saturations croisées ambiguës d’amplitude intermédiaire (typiquement comprises entre 0,30 et 0,50) et polariser les poids factoriels afin que chaque variable soit dominée par un nombre minimal de dimensions latentes.

De plus, sur le plan strict des propriétés mathématiques de l’espace vectoriel, les deux familles de rotation respectent un principe absolu d’invariance de l’ajustement global du modèle. La rotation ne modifie en rien le sous-espace défini par les facteurs communs extraits. En conséquence directe, la communalité (h_i²) associée à chaque variable manifeste demeure parfaitement invariable avant et après rotation, quelle que soit la méthode employée (Varimax, Quartimax, Promax ou Oblimin). De manière analogue, la variance résiduelle unique associée à chaque variable (u_i² = 1 – h_i²) reste inchangée. L’erreur d’approximation globale du modèle de mesure, mesurée par la différence entre la matrice de corrélation empirique observée R et la matrice de corrélation modélisée Σ, conserve rigoureusement la même norme matricielle. En d’autres termes, la rotation factorielle ne peut en aucun cas détériorer ou améliorer la qualité de l’ajustement statistique d’un modèle factoriel exploratoire à un ensemble de données ; elle en modifie uniquement l’interprétabilité subjective et substantielle.

5.2 Convergence empirique sous conditions d’orthogonalité naturelle

Un constat fondamental, fréquemment ignoré par les praticiens novices, réside dans la convergence mathématique de la rotation oblique vers la rotation orthogonale lorsque les dimensions latentes sous-jacentes sont réellement indépendantes dans la population observée. La rotation oblique ne force jamais les axes factoriels à être corrélés de manière dogmatique ; elle se contente d’accorder à l’algorithme d’optimisation la liberté angulaire de s’écarter de 90 degrés si, et seulement si, la distribution des données l’exige pour maximiser la structure simple.

Par conséquent, si un chercheur applique une rotation oblique (telle que Direct Oblimin ou Promax) à un jeu d’indicateurs mesurant des construits théoriquement et empiriquement mutuellement indépendants, l’algorithme identifiera que l’angle minimisant la fonction de perte se situe précisément à 90 degrés. La matrice de corrélation factorielle résultante Φ affichera alors des coefficients de corrélation très faibles ou quasi nuls (typiquement |r| < 0,10), et la matrice de configuration convergera de manière quasi indiscernable vers la matrice de structure, qui sera elle-même virtuellement identique à la solution produite par une rotation Varimax. La rotation oblique constitue ainsi une généralisation mathématique hiérarchique de la rotation orthogonale : elle englobe l’orthogonalité comme un cas particulier au sein d’un continuum géométrique plus vaste. Choisir une rotation oblique a priori ne fait courir aucun risque d’imposer des corrélations artificielles inexistantes, alors que choisir une rotation orthogonale force aveuglément l’indépendance même en présence de relations substantielles massives.

6. Critères de choix et applications pratiques : Quand privilégier chaque approche ?

6.1 Cadres indiqués pour la rotation orthogonale

Bien que les développements contemporains de la psychométrie incitent à une prudence accrue face au recours mécanique à la rotation orthogonale, certains contextes de recherche justifient pleinement, voire imposent, l’application d’une contrainte d’indépendance stricte. Le premier cadre concerne l’ingénierie statistique et l’apprentissage automatique prédictif, où l’analyse factorielle ou l’analyse en composantes principales est mobilisée comme un outil de prétraitement voué à la réduction de dimensionnalité sans finalité d’explication théorique causale. Lorsque l’objectif est de générer un jeu réduit d’indices composites non corrélés pour alimenter ultérieurement des équations de régression ordinaire des moindres carrés (OLS) sensibles aux instabilités numériques générées par la multicolinéarité, la rotation Varimax offre une solution d’une robustesse inégalée. Elle élimine tout risque de redondance prédictive tout en produisant des dimensions faciles à labelliser grâce à la polarisation des coefficients.

Le second cadre légitime relève des rares configurations où l’indépendance stricte des construits constitue le fondement épistémologique explicite du paradigme théorique sous-jacent. L’illustration historique la plus célèbre concerne la formalisation originelle du modèle des Big Five en psychologie de la personnalité par McCrae et Costa. Le paradigme lexical d’origine postulait que les cinq grands traits de personnalité (Ouverture, Conscience, Extraversion, Agréabilité, Névrosisme) doivent fonctionner comme des dimensions orthogonales universelles, représentant des axes de variation indépendants du tempérament humain. Dans un tel cadre normatif, recourir à la rotation Varimax constituait une décision directement alignée sur les prémisses de la théorie, bien que des travaux ultérieurs aient précisément contesté cette stricte orthogonalité en démontrant l’existence de méta-traits d’ordre supérieur (stabilité et plasticité).

Enfin, la rotation orthogonale s’avère particulièrement pertinente lors de la phase préliminaire d’élaboration de banques d’items destinées à des tests standardisés hautement discriminants, lorsqu’il s’agit de garantir qu’aucun item ne puise de manière résiduelle dans une dimension latente connexe. En imposant un repère à 90 degrés, le psychomètre élimine sans complaisance les items qui échouent à se polariser de manière exclusive sur un axe unique, facilitant ainsi l’élagage d’instruments de mesure calibrés pour une différenciation maximale.

6.2 Cadres indiqués pour la rotation oblique

Dans la très grande majorité des investigations conduites en sciences comportementales, cognitives, sociales, organisationnelles et médicales, la rotation oblique doit s’imposer comme le choix méthodologique par défaut. Cette recommandation, soutenue avec constance par les méthodologistes de référence (Fabrigar et al., 1999 ; Preacher & MacCallum, 2003 ; Brown, 2015), découle de l’interdépendance systémique caractéristique des phénomènes du vivant et de la société. Prenons l’exemple emblématique de la nosographie psychiatrique et de la psychologie clinique : l’évaluation conjointe de la détresse psychologique révèle de manière quasi universelle une corrélation substantielle (souvent comprise entre r = 0,50 et r = 0,70) entre les symptômes de l’anxiété généralisée et ceux de la dépression majeure. Forcer une analyse factorielle de ces symptômes à adopter une rotation orthogonale constitue un non-sens clinique qui scinde artificiellement des processus psychopathologiques intrinsèquement imbriqués, générant des saturations croisées fallacieuses et masquant la part de variance attribuable à un syndrome de détresse affective générale.

De même, l’évaluation des compétences cognitives et des aptitudes scolaires constitue un champ où l’obliquité est indispensable. Depuis la découverte princeps par Spearman de la corrélation positive universelle reliant toutes les épreuves cognitives (le fameux positive manifold), il est empiriquement avéré que les capacités spatiales, verbales, mnésiques, logico-mathématiques et de vitesse de traitement entretiennent des associations mutuelles positives d’intensité modérée à forte. Recourir à une rotation oblique est le seul moyen de préserver la dynamique relationnelle de ces aptitudes, tout en autorisant l’émergence d’une matrice Φ dont l’analyse factorielle secondaire permettra de quantifier la contribution du facteur général d’intelligence (facteur g).

Enfin, la rotation oblique constitue la démarche exploratoire préliminaire indispensable avant toute tentative de modélisation par équations structurelles (SEM) ou d’analyse factorielle confirmatoire (CFA). Dans la quasi-totalité des modèles confirmatoires spécifiés en recherche empirique, les covariances entre variables latentes sont librement estimées par défaut. Spécifier un modèle exploratoire orthogonal pour concevoir une échelle de mesure qui sera ensuite soumise à un modèle confirmatoire autorisant les corrélations factorielles induit une dissonance méthodologique majeure, exposant le chercheur à de sévères problèmes d’inadéquation d’ajustement lors de la transition confirmatoire.

6.3 Protocole décisionnel standardisé pour les chercheurs

Pour dépasser l’arbitraire et sécuriser la démarche de l’analyste, un protocole standardisé en plusieurs étapes a été formulé et validé par la littérature méthodologique (notamment formalisé par Barbara Tabachnick et Linda Fidell dans leurs ouvrages de référence) :

1. Exécuter systématiquement une rotation oblique en première intention : Quelle que soit l’hypothèse de départ quant à l’indépendance des construits, l’analyste commence par appliquer une rotation oblique (de préférence Promax ou Direct Oblimin avec δ = 0) au sous-espace factoriel extrait.
2. Inspecter rigoureusement la matrice de corrélation factorielle (Φ) : Le praticien examine minutieusement l’ensemble des coefficients de corrélation bivariés reliant les facteurs entre eux au sein de la matrice Φ.
3. Appliquer le critère seuil d’indépendance : Selon la règle empirique largement acceptée de Tabachnick et Fidell, si l’ensemble des corrélations factorielles hors diagonale demeure inférieur en valeur absolue à 0,32, le niveau de corrélation partagé entre les facteurs n’excède pas 10 % de variance (puisque 0,32² ≈ 0,102). Dans une telle conjoncture, l’interdépendance est jugée suffisamment marginale pour justifier, si l’analyste le souhaite pour des raisons de simplicité de restitution ou d’usage prédictif des scores, le basculement vers une solution orthogonale (Varimax).
4. Conserver impérativement la solution oblique si une corrélation dépasse le seuil : Dès lors qu’au moins une corrélation factorielle dans la matrice Φ excède |r| ≥ 0,32 (ou qu’un ensemble dense de corrélations se situe entre 0,25 et 0,30), la rotation oblique doit être définitivement maintenue. Basculer vers une rotation orthogonale dans ces conditions introduirait une distorsion inacceptable dans l’estimation des saturations de configuration.
5. Interpréter prioritairement la matrice de configuration : En conservant la solution oblique, l’analyste rapporte et interprète la matrice de configuration pour labelliser les facteurs, tout en fournissant la matrice de structure et la matrice Φ en annexe pour garantir la transparence complète de la décomposition de la variance.

7. Foire aux questions (FAQ)

7.1 Pourquoi la matrice de configuration est-elle prioritaire dans la rotation oblique ?

Dans le cadre d’une rotation oblique, la matrice de configuration (pattern matrix) constitue la référence interprétative cardinale, car ses coefficients représentent les poids de régression standardisés directs (coefficients β) reliant le facteur latent à chaque variable observée, après avoir mathématiquement partialisé et neutralisé l’influence de l’ensemble des autres facteurs du modèle. En d’autres termes, la saturation de configuration isole la part de variance unique et non redondante que le facteur communique spécifiquement à la variable.

À l’inverse, la matrice de structure (structure matrix) compile les corrélations bivariées simples d’ordre zéro entre variables et facteurs, sans aucun contrôle statistique de la colinéarité latente. Dans une solution oblique où les facteurs F₁ et F₂ sont fortement corrélés (par exemple r = 0,60), une variable qui ne dépend en réalité causalement que de F₁ affichera mécaniquement une saturation substantielle dans la matrice de structure sur F₂, simplement en raison du canal de covariance reliant F₁ à F₂. Se fonder sur la matrice de structure pour attribuer des variables à des facteurs conduit inévitablement à observer une multitude de saturations croisées illusoires, obscurcissant l’identification des véritables déterminants latents et détruisant la parcimonie de la structure simple.

7.2 Une rotation orthogonale peut-elle invalider les conclusions d’une étude ?

Oui, l’application inappropriée d’une rotation orthogonale est parfaitement capable d’invalider la validité théorique et substantielle des conclusions d’une investigation scientifique. Lorsque des facteurs latents sont naturellement et substantiellement corrélés dans le phénomène étudié, contraindre les axes à demeurer à 90 degrés force l’algorithme d’optimisation à tordre l’orientation des repères géométriques pour tenter de compenser cette contrainte non écologique.

Cette distorsion mathématique induit plusieurs pathologies analytiques majeures : l’apparition de saturations croisées artificielles sur plusieurs dimensions pour des items qui mesurent en réalité un construit univoque ; la création de saturations négatives dépourvues de sens psychométrique pour équilibrer la distribution spatiale ; et surtout, le masquage complet de la structure hiérarchique sous-jacente. En interdisant aux facteurs de corréler, la rotation orthogonale décrète a priori qu’aucun construit d’ordre supérieur (tel qu’un facteur général de psychopathologie, un facteur d’efficience cognitive ou un méta-trait de personnalité) ne peut être identifié, privant ainsi la communauté scientifique d’une compréhension globale du réseau nomologique régissant les variables observées.

7.3 Quelle méthode oblique privilégier entre Promax et Direct Oblimin ?

Sur le plan pratique et empirique, les méthodes Promax et Direct Oblimin constituent deux approches algorithmiques d’une fiabilité remarquable, qui convergent dans la grande majorité des cas vers des solutions factorielles extrêmement similaires et conceptuellement équivalentes lorsque les échantillons sont de taille adéquate (N ≥ 300).

Le choix entre les deux relève principalement de considérations computationnelles et d’habitudes disciplinaires. L’algorithme Direct Oblimin (spécifié avec le paramètre par défaut δ = 0) est mathématiquement le plus direct et le plus élégant, car il minimise une fonction de perte unifiée sans dépendre d’une étape orthogonale préliminaire. Il est particulièrement apprécié pour sa modélisation continue et est largement documenté dans la littérature psychométrique fondamentale. La méthode Promax présente quant à elle un avantage décisif en matière de rapidité de calcul sur des matrices de très grande dimension comportant des milliers d’observations et des centaines de variables, sa procédure en deux temps fondée sur une cible de puissance exponentielle évitant les risques occasionnels de non-convergence qui peuvent affecter Direct Oblimin face à des données empiriques mal conditionnées ou fortement bruitées.

8. Conclusion : Synthèse méthodologique et recommandations

8.1 Bilan comparatif et complémentarité analytique

L’opposition séculaire entre rotation orthogonale et rotation oblique ne doit plus être abordée comme une guerre de tranchées dogmatique, mais plutôt comme le choix raisonné d’une métrique géométrique adaptée aux objectifs spécifiques du chercheur et à la nature ontologique des données analysées. La rotation orthogonale, incarnée par le modèle Varimax, demeure un outil d’une remarquable puissance lorsque la préoccupation exclusive de l’analyste réside dans la réduction d’information, la condensation parcimonieuse du signal et la génération de scores factoriels strictement décorrélés pour alimenter des algorithmes décisionnels ou des modélisations économétriques en aval.

Cependant, dès lors que l’investigation s’inscrit dans une logique de découverte scientifique, de théorisation causale ou de validation psychométrique de construits latents, la rotation oblique s’impose incontestablement comme le standard méthodologique contemporain. En reconnaissant que le monde réel n’obéit pas à des contraintes euclidiennes de non-corrélation artificielle, l’obliquité respecte l’écologie des données, dévoile la richesse du réseau de covariances entre dimensions et constitue la passerelle naturelle vers la modélisation hiérarchique et confirmatoire. Loin d’être un obstacle, la décomposition entre matrice de configuration et matrice de structure enrichit la perspective du chercheur en séparant la contribution unique directe des dimensions latentes des influences relationnelles systémiques.

8.2 Bonnes pratiques pour les publications scientifiques

Afin d’élever les standards de reproductibilité et de rigueur au sein des publications scientifiques recourant à l’analyse factorielle exploratoire, les chercheurs sont vivement encouragés à se conformer aux recommandations suivantes dans la rédaction de leurs protocoles méthodologiques :

• Rapporter explicitement la justification du choix rotationnel : L’auteur ne doit jamais mentionner l’usage d’une méthode de rotation comme une simple formalité logicielle exécutée par défaut. Le choix d’une rotation orthogonale ou oblique doit être argumenté sur le plan théorique et soutenu par l’examen empirique de la matrice de corrélation factorielle.
• Publier systématiquement la matrice de configuration ET la matrice de corrélation factorielle : Dans toute étude appliquant une rotation oblique, il est impératif de rapporter la matrice de configuration complète (en indiquant clairement les seuils de suppression des saturations faibles, généralement fixés à 0,30 ou 0,40) ainsi que la matrice Φ des corrélations factorielles. La matrice de structure doit être fournie dans le corps de l’article ou en matériel supplémentaire dès lors que des corrélations factorielles substantielles sont observées.
• Conduire une analyse de sensibilité méthodologique : En présence de solutions factorielles limites ou d’incertitudes quant au statut de corrélation des construits, la meilleure pratique consiste à exécuter parallèlement une rotation oblique (Direct Oblimin ou Promax) et une rotation orthogonale (Varimax). La comparaison systématique des matrices de saturation permet de vérifier si l’imposition de l’orthogonalité déforme substantiellement l’attribution des variables aux facteurs ou si la structure fondamentale demeure invariante, conférant ainsi un degré de robustesse supérieur aux conclusions théoriques formulées.

Références

Browne, M. W. (2001). An overview of analytic rotation in exploratory factor analysis. Multivariate Behavioral Research, 36(1), 111-150. https://doi.org/10.1207/S15327906MBR3601_05

Carroll, J. B. (1993). Human cognitive abilities: A survey of factor-analytic studies. Cambridge University Press. https://doi.org/10.1017/CBO9780511571312

Cattell, R. B. (1978). The scientific use of factor analysis in behavioral and life sciences. Plenum Press. https://doi.org/10.1007/978-1-4684-2262-7

Clarkson, D. B., & Jennrich, R. I. (1988). Quartic rotation criteria and algorithms. Psychometrika, 53(2), 251-259. https://doi.org/10.1007/BF02294136

Costa, P. T., & McCrae, R. R. (1992). Revised NEO Personality Inventory (NEO-PI-R) and NEO Five-Factor Inventory (NEO-FFI) professional manual. Psychological Assessment Resources.

Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272-299. https://doi.org/10.1037/1082-989X.4.3.272

Gorsuch, R. L. (1983). Factor analysis (2nd ed.). Lawrence Erlbaum Associates.

Hendrickson, A. E., & White, P. O. (1964). PROMAX: A quick method for rotation to oblique simple structure. British Journal of Statistical Psychology, 17(1), 65-70. https://doi.org/10.1111/j.2044-8317.1964.tb00244.x

Jennrich, R. I., & Sampson, P. F. (1966). Rotation for simple loadings. Psychometrika, 31(3), 313-323. https://doi.org/10.1007/BF02289465

Kaiser, H. F. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23(3), 187-200. https://doi.org/10.1007/BF02289233

Neuhaus, J. O., & Wrigley, C. (1954). The quartimax method: An analytic approach to orthogonal simple structure. British Journal of Statistical Psychology, 7(2), 81-91. https://doi.org/10.1111/j.2044-8317.1954.tb00147.x

Preacher, K. J., & MacCallum, R. C. (2003). Repairing Tom Swift’s electric factor analysis machine. Understanding Statistics, 2(1), 13-43. https://doi.org/10.1207/S15328031US0201_02

Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.

Thurstone, L. L. (1947). Multiple-factor analysis: A development and expansion of The vectors of mind. University of Chicago Press.