Dans le paysage contemporain de la psychométrie et de la modélisation statistique multivariée, la visualisation synthétique de grands volumes d’informations empiriques constitue un impératif méthodologique majeur. Le biplot s’impose comme une technique graphique fondamentale permettant de projeter simultanément, au sein d’un même espace géométrique de dimension réduite, les observations individuelles et les variables mesurées. En rendant immédiatement perceptibles la covariance entre construits latents, la proximité relative des sujets et les configurations dimensionnelles complexes, cette méthode offre aux chercheurs en sciences du comportement un instrument analytique d’une remarquable puissance interprétative.
Le Biplot
1. Définition concise
Le biplot est une représentation graphique bidimensionnelle ou tridimensionnelle issue de l’analyse statistique multivariée, permettant de projeter conjointement sur un même repère cartésien les lignes (généralement les individus ou unités statistiques) et les colonnes (généralement les variables ou items) d’une matrice de données. Cette visualisation repose sur la décomposition en valeurs singulières d’une matrice préalablement centrée ou standardisée, préservant de manière optimale les distances euclidiennes ou les proximités d’inertie relative.
En psychologie et en psychométrie, le biplot constitue l’extension visuelle canonique de l’analyse en composantes principales (ACP) et de l’analyse factorielle exploratoire. Il offre la possibilité d’interpréter simultanément les profils individuels des participants à un test et la structure inter-items de l’instrument d’évaluation, révélant la magnitude et la direction des corrélations tout en localisant les participants le long des gradients psychologiques sous-jacents.
Contrairement à un simple nuage de points bivarié, le préfixe « bi » ne renvoie nullement aux deux axes géométriques du graphique, mais à la double nature de l’information projetée : les unités d’observation et les dimensions d’évaluation se trouvent visualisées de façon conjointe, conférant au chercheur un outil heuristique complet pour appréhender la géométrie des données comportementales.
2. Étymologie et origine linguistique
Le terme « biplot » a été forgé en langue anglaise par le statisticien israélo-américain K. Ruben Gabriel dans son article séminal publié en 1971 dans la revue Biometrika. Le mot est composé du préfixe latin bi-, signifiant « deux » ou « double », et du vocable anglais plot, qui désigne une représentation graphique, un plan ou un tracé cartographique. Gabriel a délibérément choisi cette dénomination pour souligner la dualité intrinsèque de la méthode, qui trace conjointement deux ensembles d’entités mathématiques distinctes : les observations et les descripteurs.
L’introduction du mot dans le vocabulaire académique francophone s’est opérée principalement par emprunt direct durant les années 1970 et 1980, en parallèle de l’essor de l’école française d’analyse des données animée par Jean-Paul Benzécri et ses collaborateurs. Bien que certains auteurs aient initialement proposé des périphrases descriptives telles que « graphique dual », « représentation conjointe » ou « tracé simultané », le terme « biplot » s’est universellement imposé dans les manuels de méthodologie quantitative et de psychométrie francophones en tant qu’emprunt lexical stabilisé.
Sur le plan sémantique, la diffusion du concept a parfois généré des contresens linguistiques chez les chercheurs novices, certains assimilant erronément le préfixe à la bidimensionnalité de la surface de projection (les deux dimensions du plan euclidien). La littérature méthodologique s’accorde désormais à rappeler que le principe du biplot peut théoriquement s’étendre à des espaces tridimensionnels ou à des représentations multidimensionnelles interactives, réaffirmant son fondement étymologique axé sur la binarité des ordres de la matrice initiale.
3. Prononciation et forme grammaticale
Sur le plan morphologique et grammatical, le terme « biplot » est un nom commun masculin. Dans la communauté scientifique francophone, son usage prend systématiquement l’article défini masculin : « le biplot », « un biplot », avec pour pluriel régulier « les biplots ». La transcription phonétique la plus fréquente en français standard oscille entre une prononciation partiellement calquée sur l’anglais ([baj.plɔt]) et une prononciation entièrement francisée ([bi.plɔt]), cette dernière étant particulièrement répandue dans les universités d’Europe continentale et d’Afrique francophone.
D’un point de vue syntaxique, le substantif s’emploie couramment sous forme d’apposition ou de complément de qualification dans les écrits méthodologiques : « un graphique biplot », « l’approche biplot », ou encore « la méthode biplot ». Il donne également lieu à des déclinaisons terminologiques précises selon la paramétrisation matricielle retenue, telles que le « biplot des lignes », le « biplot des colonnes », ou le « biplot symétrique ».
Les publications en psychologie quantitative emploient ce terme au sein de syntagmes standardisés désignant des protocoles d’investigation : « inspection visuelle par biplot », « configuration spatiale du biplot », ou encore « biplot canonique ». La nomenclature contemporaine proscrit l’usage de traits d’union (« bi-plot »), préférant l’orthographe soudée préconisée par Gabriel et adoptée par l’ensemble des logiciels de calcul statistique tels que R, SPSS ou SAS.
4. Explication conceptuelle détaillée
Pour appréhender le concept de biplot dans toute sa profondeur, il convient de comprendre la structure géométrique sous-jacente aux matrices de données multivariées en psychologie. Lorsqu’une batterie de tests psychologiques est administrée à un échantillon d’individus, les résultats forment un tableau de dimension n lignes (les participants) par p colonnes (les items ou échelles psychométriques). Ce tableau définit un hyperespace à p dimensions où chaque individu est un point, et réciproquement un espace à n dimensions où chaque variable est un vecteur. Le biplot réalise l’exploit algébrique de résumer ces deux configurations en un seul espace de faible dimension (généralement le plan, k = 2) avec une perte d’information minimale.
Le cœur mathématique du biplot repose sur la décomposition en valeurs singulières (DVS ou Singular Value Decomposition, SVD) de la matrice de données centrée. Toute matrice réelle X de rang r peut être décomposée en un produit de trois matrices : X = U D V’, où U est une matrice unitaire contenant les vecteurs singuliers gauches, D est une matrice diagonale contenant les valeurs singulières ordonnées de manière décroissante, et V’ est la transposée de la matrice unitaire des vecteurs singuliers droits. En tronquant cette décomposition aux deux premières composantes, on obtient une approximation optimale de rang 2 au sens des moindres carrés (théorème d’Eckart-Young-Mirsky).
La construction graphique exige ensuite de scinder les valeurs singulières de la matrice D entre les coordonnées des lignes et les coordonnées des colonnes. Cette factorisation s’exprime sous la forme générale : X ≈ G H’, où G = U D^α représente les marqueurs des individus et H = V D^(1-α) représente les marqueurs des variables, avec un paramètre scalaire α compris entre 0 et 1. Selon la valeur attribuée à ce paramètre, les propriétés métriques du graphique changent radicalement, conférant au biplot des facultés interprétatives spécifiques quant à la lecture des distances ou des covariances.
Dans le domaine psychologique, cette double représentation offre une lisibilité inédite. Les sujets sont figurés par des points dispersés dans l’espace factoriel, tandis que les variables sont modélisées par des flèches ou des vecteurs partant de l’origine. L’interprétation s’appuie sur des règles géométriques rigoureuses : la projection orthogonale d’un point d’observation sur un vecteur de variable estime la valeur prédite de cet individu pour cette variable spécifique. De surcroît, le cosinus de l’angle séparant deux vecteurs de variables est proportionnel au coefficient de corrélation linéaire entre ces deux construits psychologiques.
Le champ conceptuel du biplot s’étend également au-delà de la stricte orthogonalité linéaire. Il existe des biplots non linéaires capables de capter des relations fonctionnelles curvilinéaires fréquentes dans les dynamiques émotionnelles et les processus d’apprentissage, ainsi que des biplots d’analyse des correspondances adaptés aux variables catégorielles des enquêtes d’attitudes. Dans toutes ses déclinaisons, le concept maintient son objectif invariant : synthétiser la topographie relationnelle liant les entités observées aux attributs psychologiques qui les décrivent.
5. Développement historique
La genèse théorique du biplot s’inscrit dans la continuité des travaux mathématiques du début du XXe siècle portant sur l’algèbre linéaire et la réduction dimensionnelle. Dès 1936, Carl Eckart et Gale Young établissent les bases du théorème d’approximation matricielle, démontrant mathématiquement comment projeter une structure relationnelle multivariée dans un sous-espace de rang inférieur. Cependant, la transposition graphique de ces fondements abstraits est restée en sommeil pendant plusieurs décennies en raison de l’absence d’outils computationnels automatisés permettant le tracé rapide de telles configurations spatiales.
Le tournant historique majeur survient en 1971, lorsque K. Ruben Gabriel publie son article fondateur intitulé « The biplot graphic display of matrices with application to principal component analysis » dans la revue Biometrika. Gabriel y formalise non seulement le théorème algébrique de factorisation conjointe, mais il propose une codification graphique rigoureuse pour l’interprétation conjointe des vecteurs de variables et des marqueurs d’individus. Cette contribution révolutionne la statistique exploratoire anglo-saxonne en dotant les chercheurs d’un outil visuel unifié surpassant la simple juxtaposition de graphiques séparés pour les scores et les saturations.
En parallèle, l’école française de l’analyse des données, emmenée par Jean-Paul Benzécri dans les années 1970, développait l’analyse factorielle des correspondances (AFC) et l’analyse des correspondances multiples (ACM). Bien que Benzécri ait développé ses propres conventions de projection simultanée d’éléments lignes et colonnes via le principe de barycentricité, la convergence mathématique avec les principes formulés par Gabriel est devenue évidente. Des théoriciens tels que Ludovic Lebart et Gilbert Saporta ont grandement contribué à articuler ces approches au sein d’un cadre méthodologique francophone cohérent.
Au cours des années 1980 et 1990, John C. Gower et David J. Hand publient en 1996 leur ouvrage de référence Biplots, qui élargit le paradigme initial en théorisant des échelles graduées non linéaires, des trajectoires d’axes complexes et des méthodes de projection généralisées adaptées aux modèles linéaires généralisés. Les avancées ultérieures de Michael Greenacre ont ensuite consolidé les passerelles entre l’analyse des correspondances et les biplots modernes, popularisant ces outils auprès des psychologues comportementaux et des spécialistes des sciences sociales.
Au XXIe siècle, l’informatisation massive et le développement d’écosystèmes logiciels en libre accès, en particulier le logiciel open-source R et des bibliothèques dédiées telles que factoextra, FactoMineR et biplotbootGUI, ont démocratisé l’utilisation du biplot. Aujourd’hui, cette méthodologie n’est plus cantonnée aux mathématiques appliquées : elle constitue une procédure graphique courante dans les publications internationales de psychométrie, de neuropsychologie et de modélisation des différences individuelles.
6. Fondements théoriques
Les fondements théoriques du biplot sont profondément enracinés dans l’algèbre bilinéaire et l’optimisation géométrique dans les espaces euclidiens de Hilbert. Le modèle postule que la matrice de données observables X (de dimensions n × p) résulte d’une structure sous-jacente de rang faible perturbée par un bruit résiduel aléatoire. Le biplot se propose de modéliser le terme systématique de cette relation bilinéaire en projetant la variabilité totale sur les axes d’inertie maximale.
L’assise formelle la plus déterminante réside dans le paramétrage scalaire α appliqué à la matrice des valeurs singulières lors de la décomposition. Trois grandes formulations théoriques régissent l’agencement métrique du biplot :
Premièrement, le « biplot de covariance » ou « biplot des colonnes » (correspondant conventionnellement à α = 0). Dans cette configuration théorique, les valeurs singulières sont entièrement absorbées par les marqueurs des colonnes (les variables). Il en résulte que les longueurs des vecteurs représentent fidèlement les écarts-types des variables psychométriques, et le cosinus de l’angle sous-tendu par deux vecteurs reflète exactement la corrélation empirique de Pearson entre ces deux indicateurs. Cette variante est privilégiée lorsque l’objectif principal de l’investigateur est de scruter l’architecture nomologique des construits et d’identifier la colinéarité des échelles.
Deuxièmement, le « biplot de forme » ou « biplot des lignes » (correspondant à α = 1). Ici, les valeurs singulières sont affectées aux coordonnées des unités statistiques (les individus). Cette pondération garantit que les distances spatiales entre les points individuels dans le plan factoriel correspondent rigoureusement aux distances euclidiennes ou aux distances de Mahalanobis dans l’espace original des variables. Cette formulation s’impose théoriquement lorsque le praticien souhaite mener une typologie clinique ou repérer des regroupements homogènes (clusters) de patients ou de profils psychopathologiques.
Troisièmement, le « biplot symétrique » (correspondant à α = 0.5). Cette variante partage équitablement la racine carrée des valeurs singulières entre les composantes individuelles et les composantes des variables. Bien que ni les variances des variables ni les distances exactes entre individus ne soient préservées de manière pure, ce compromis géométrique offre un équilibre perceptif particulièrement prisé pour la communication visuelle grand public et l’exploration descriptive générale de grands questionnaires psychologiques.
7. Composantes clés, types et dimensions
La structure formelle et technique du biplot se compose d’éléments graphiques standardisés et se décline en différentes variantes spécialisées :
- Les marqueurs d’observations (points individuels) : Points géométriques représentant les sujets de l’étude (patients, étudiants, participants). Leur proximité mutuelle indique une ressemblance globale de leurs réponses comportementales.
- Les marqueurs de variables (vecteurs ou axes gradués) : Segments orientés partant de l’origine du repère et s’étendant vers l’espace factoriel. Leur orientation indique le gradient d’accroissement de la caractéristique psychologique mesurée.
- L’origine du repère (centre de gravité) : Représente la moyenne multivariée (centroïde) de l’échantillon lorsque les données ont été préalablement centrées. Un participant positionné à l’origine affiche un profil parfaitement moyen sur l’ensemble des dimensions.
- Le biplot classique d’analyse en composantes principales : Basé sur des métriques euclidiennes directes, il constitue le standard méthodologique pour analyser des données psychométriques quantitatives continues (scores à des échelles de Likert traitées comme métriques).
- Le biplot d’analyse des correspondances : Adapté aux tableaux de contingence croisant des modalités de réponse qualitatives (choix discrets, catégories diagnostiques), fondé sur la métrique du chi-carré.
- Le biplot non linéaire ou curviligne : Dans lequel les axes de variables ne sont plus des droites rectilignes mais des courbes graduées, permettant d’intégrer des fonctions de réponse non linéaires d’items analogues à celles de la théorie de la réponse à l’item (TRI).
- Le biplot robuste : Variante algorithmique remplaçant la classique DVS par des estimateurs statistiques de dispersion résistants aux valeurs extrêmes, évitant la déformation de l’espace factoriel par quelques profils cliniques hautement aberrants.
8. Exemples et cas illustratifs
Afin de concrétiser l’application du biplot en psychologie, considérons l’évaluation de la personnalité selon le modèle à cinq facteurs (le modèle des Big Five) mesuré chez un groupe d’étudiants universitaires confrontés au stress des examens finaux. La matrice de données compile les scores obtenus sur les échelles d’Extraversion, d’Agréabilité, de Conscienciosité, de Névrosisme et d’Ouverture à l’expérience.
Sur le biplot de covariance résultant de cette analyse, les cinq traits sont projetés sous forme de flèches émergeant du centre. Les vecteurs représentant l’Extraversion et l’Agréabilité forment un angle aigu très fermé, illustrant immédiatement une corrélation positive marquée entre ces deux dynamiques prosociales. À l’opposé, le vecteur modélisant le Névrosisme s’oriente dans une direction diamétralement inverse à celle de la Stabilité émotionnelle et de la Conscienciosité, matérialisant un angle proche de 180 degrés, révélateur d’une forte corrélation négative.
Dans ce même repère, un étudiant particulier, désigné comme le profil S104, est projeté très loin sur la trajectoire prolongée du vecteur de Névrosisme et à l’opposé du vecteur de Conscienciosité. La projection orthogonale du point S104 sur la droite sous-tendue par l’axe du Névrosisme atterrit à une extrémité très élevée, indiquant un score clinique d’anxiété majeur. Cette disposition visuelle conjointe permet au psychologue scolaire d’identifier instantanément non seulement la structure factorielle du test dans cette cohorte, mais également de poser un repérage individualisé sans avoir à inspecter fastidieusement de multiples tableaux de coefficients numériques.
Un second exemple pertinent provient de la neuropsychologie clinique lors de l’administration d’une batterie cognitive informatisée (temps de réaction, empan mnésique visuel, flexibilité attentionnelle, fluence verbale) à une cohorte de patients atteints de troubles cognitifs légers et à des témoins sains. Dans le biplot de forme (α = 1), le chercheur visualise clairement deux agrégats de points séparés par un corridor spatial distinct : d’un côté, le cluster des témoins sains situés dans la région où convergent les vecteurs de haute performance mnésique ; de l’autre côté, le groupe clinique, caractérisé par des projections élevées sur les vecteurs mesurant la latence d’inhibition et la fréquence des erreurs persévératives. Cette configuration cartographique sert d’outil diagnostique pour cerner les phénotypes d’atteinte neurocognitive.
9. Mesure et évaluation
La qualité et la validité métrique d’un biplot ne sauraient être appréciées de manière purement subjective ou esthétique. Elles reposent sur des indicateurs quantitatifs précis de représentativité globale et locale qui doivent systématiquement accompagner l’analyse :
Le premier indicateur correspond au pourcentage de variance expliquée par le plan de projection (l’inertie totale restituée). Calculé à partir des deux premières valeurs singulières de la DVS (soit la somme des deux plus grandes valeurs propres divisée par la trace de la matrice de covariance), cet indice détermine dans quelle mesure le biplot résume fidèlement la structure réelle des données. En psychométrie, un biplot captant entre 60 % et 80 % de l’inertie globale est généralement jugé très satisfaisant pour interpréter des construits de personnalité ou des compétences cognitives complexes.
Le second paramètre est la qualité de représentation locale, souvent quantifiée pour chaque variable ou chaque individu par le cosinus carré (cos²) de l’angle que fait l’élément original avec le plan de projection factoriel. Un individu affichant un cos² proche de 1 sur le plan (1, 2) est parfaitement représenté sur le biplot ; à l’inverse, un cos² très faible (inférieur à 0,20) signale que le participant est situé loin du plan bidimensionnel, rendant sa position projetée illusoire et susceptible d’induire une interprétation diagnostique erronée.
Pour les vecteurs de variables, un diagnostic rigoureux exige également d’évaluer la longueur du vecteur projeté par rapport à sa longueur maximale théorique dans l’espace total. Dans un biplot de corrélation, un vecteur raccourci ne signifie pas nécessairement que la variable présente une variance intrinsèque faible, mais plutôt qu’elle est mal modélisée par les deux axes factoriels retenus. La rigueur psychométrique prescrit donc d’adjoindre au biplot une matrice chiffrée des saturations factorielles et des résidus afin de valider la légitimité des déductions cliniques formulées à partir du graphique.
10. Applications et portée pratique
La portée opérationnelle du biplot couvre l’ensemble des branches appliquées de la science psychologique, du diagnostic clinique à l’évaluation en milieu organisationnel :
En psychométrie et développement d’instruments de mesure, le biplot constitue une étape préliminaire décisive lors de la validation transculturelle ou de la réduction d’items d’un inventaire de santé mentale. Il permet de repérer en un coup d’œil les items redondants (vecteurs colinéaires superposés indiquant une redondance de contenu inutile) ou les items mal calibrés (vecteurs orthogonaux à l’ensemble du faisceau d’un construit théorique, signalant un défaut d’homogénéité interne).
En psychologie du travail et des organisations, le biplot est mis à contribution lors des bilans de compétences à grande échelle et des analyses de climat organisationnel. Projetant simultanément les départements d’une entreprise et des indicateurs d’engagement, de burnout, de satisfaction au travail et de performance, il permet aux consultants en ressources humaines de diagnostiquer immédiatement les unités organisationnelles en souffrance psychologique et de cibler des politiques de prévention sur mesure.
En psychologie différentielle et clinique, cette technique de visualisation enrichit considérablement les études longitudinales comparant l’évolution de profils psychopathologiques au fil d’une thérapie cognitivo-comportementale. En reliant par des segments fléchés les positions successives occupées par un même patient à différents temps d’évaluation sur le biplot, le clinicien trace une véritable « trajectoire thérapeutique » spatiale objectivant l’atténuation graduelle de la symptomatologie dépressive ou anxieuse.
11. Recherche et données empiriques
Les investigations empiriques menées en statistique computationnelle et en psychologie quantitative confirment l’efficacité cognitive supérieure du biplot par rapport aux tables de données brutes ou aux matrices de corrélations numériques. Les travaux pionniers de Michael Greenacre ont démontré que la charge cognitive imposée aux chercheurs pour extraire des régularités multidimensionnelles complexes est réduite de manière significative lorsque l’information relationnelle est encodée géométriquement sous forme vectorielle et barycentrique.
Dans le domaine de l’évaluation de la personnalité, de nombreuses méta-analyses et études empiriques comparatives ont eu recours au biplot pour statuer sur la réplicabilité trans-échantillon des structures factorielles. Par exemple, des chercheurs en psychométrie transculturelle ont utilisé des biplots superposés (techniques d’analyse procustéenne couplée aux biplots) pour démontrer la remarquable stabilité des cinq facteurs de la personnalité au sein de populations géographiquement diversifiées, soulignant la convergence spatiale quasi-parfaite des vecteurs d’items d’une culture à l’autre.
Dans le champ de la santé publique et de l’épidémiologie psychiatrique, l’emploi de biplots basés sur des techniques non linéaires ou pénalisées (comme le biplot sparse ou régularisé) a permis d’isoler des constellations complexes de comorbidités entre syndromes d’addiction et désordres de l’humeur. Ces données empiriques attestent que l’intégration conjointe de milliers de sujets et de douzaines d’indicateurs cliniques au sein d’un même repère visuel rend perceptibles des sous-populations cliniques vulnérables qui passeraient inaperçues sous le seul prisme d’analyses bivariées classiques.
12. Considérations culturelles et transculturelles
Si les fondements mathématiques du biplot sont formels et universels, sa mise en œuvre et son interprétation dans les études transculturelles exigent de grandes précautions méthodologiques. Lorsqu’un instrument d’évaluation psychologique est administré dans différents contextes linguistiques ou nationaux, le biplot multivarié est souvent mobilisé pour évaluer l’équivalence de mesure (l’invariance de mesure factorielle).
Une divergence d’orientation d’un vecteur de variable entre deux sous-échantillons culturels projetés sur un même biplot composite met en évidence une distorsion sémantique de l’item concerné. Par exemple, des items mesurant l’affirmation de soi ou l’individualisme peuvent se projeter avec des corrélations diamétralement opposées aux items de bien-être selon que l’échantillon provient d’une culture individualiste occidentale ou d’une société collectiviste asiatique. Le biplot constitue dans ce cas un puissant révélateur visuel de l’absence d’équivalence métrique ou scalaire.
Par ailleurs, sur le plan cognitif, la lecture et l’appropriation sémiotique des biplots peuvent être influencées par les conventions de lecture et de représentation de l’espace propres à chaque culture. Bien que les graphiques cartésiens fassent partie du socle scientifique mondialisé, la diffusion de résultats psychométriques auprès de praticiens ou de décideurs communautaires nécessite un étayage pédagogique explicite, afin d’éviter que les distances angulaires entre vecteurs ne soient confondues avec des distances physiques absolues.
13. Critiques, débats et limites
Malgré ses remarquables qualités heuristiques, le biplot fait l’objet de réserves théoriques et de débats méthodologiques récurrents au sein de la communauté psychométrique :
La critique la plus fréquente concerne le risque d’illusion visuelle et de surinterprétation. Comme tout procédé projetant un espace à haute dimensionnalité sur une surface plane (deux dimensions), le biplot engendre inévitablement un écrasement perspectif. Des points d’observations ou des extrémités de vecteurs qui apparaissent très proches sur le plan factoriel peuvent en réalité être extrêmement distants le long de la troisième ou de la quatrième dimension orthogonale non représentée. Sans un examen concomitant des cosinus carrés et des valeurs résiduelles, le chercheur s’expose au danger de tirer des conclusions diagnostiques infondées sur de prétendues proximités relationnelles.
Un autre débat fondamental porte sur la nature linéaire du biplot conventionnel de Gabriel. La psychologie contemporaine s’accorde largement à reconnaître que de nombreuses relations entre processus psychologiques sont fondamentalement curvilignes ou soumises à des effets de seuil (comme la loi de Yerkes-Dodson reliant stress et performance). L’application d’un biplot linéaire canonique à de telles données entraîne une déformation sévère de l’espace géométrique (conduisant parfois à des artefacts visuels bien connus tels que « l’effet fer à cheval » ou l’effet Guttman), masquant la véritable logique sous-jacente aux patterns comportementaux.
Enfin, la confusion persistante autour du paramétrage scalaire (le choix de α) demeure une source d’erreurs interprétatives dans la littérature publiée. De nombreux auteurs omettent de spécifier si leur graphique illustre un biplot des covariances ou un biplot des distances euclidiennes, induisant le lecteur en erreur quant à la signification métrique exacte des longueurs des flèches et de l’espacement des participants.
14. Termes connexes et distinctions
Pour situer avec exactitude le biplot au sein du lexique de la psychométrie et de la statistique multivariée, il convient de le distinguer conceptuellement des notions voisines :
- Nuage de points bivarié (Scatterplot) : Représente deux variables quantitatives mesurées sur un ensemble d’individus, où chaque point symbolise un sujet le long de deux axes préalablement fixés par les variables elles-mêmes, sans factorisation conjointe ni projection de vecteurs d’indicateurs.
- Diagramme de saturation factorielle (Loading plot) : Graphique issu de l’analyse factorielle ou de l’ACP illustrant uniquement la position des variables dans l’espace des facteurs latents, sans y faire figurer la projection simultanée des participants individuels.
- Diagramme des scores individuels (Score plot) : Représentation exclusive de la distribution des participants dans l’espace factoriel, ignorant les vecteurs représentatifs des variables.
- Analyse factorielle des correspondances (AFC) : Méthode géométrique d’analyse de tableaux de contingence croisant des modalités discrètes, dont la représentation barycentrique conjointe partage des liens mathématiques étroits avec le biplot mais s’appuie sur la métrique du chi-carré plutôt que sur la métrique euclidienne classique.
- Positionnement multidimensionnel (Multidimensional Scaling – MDS) : Approche visant à reproduire au mieux les distances de dissimilarité observées entre objets dans un espace géométrique restreint, sans modéliser conjointement les vecteurs de variables linéaires comme le fait le biplot bilinéaire classique.
15. Résumé et points clés
Le biplot constitue une méthodologie d’analyse visuelle et géométrique incontournable pour l’étude des phénomènes psychologiques multivariés. Les points cardinaux suivants synthétisent son statut théorique et fonctionnel :
- Il s’agit d’une représentation graphique unifiée projetant simultanément les individus (lignes) et les variables psychométriques (colonnes) à partir de la décomposition en valeurs singulières d’une matrice de données.
- Le préfixe « bi » fait référence à la dualité intrinsèque de l’information projetée (observations et attributs) et non au caractère bidimensionnel du graphique.
- L’orientation angulaire relative entre les vecteurs de variables permet d’estimer directement le coefficient de corrélation linéaire entre les construits évalués.
- La projection orthogonale d’une unité statistique sur un vecteur de variable traduit la performance relative ou le score attendu de cet individu sur cette échelle psychologique.
- Le paramétrage scalaire détermine la métrique dominante du graphique : préservation rigoureuse des covariances entre variables ou préservation exacte des distances euclidiennes entre individus.
- La prudence interprétative impose de contrôler systématiquement le pourcentage d’inertie restituée et la qualité de représentation locale (cosinus carrés) afin d’éviter les illusions graphiques générées par la compression dimensionnelle.
Références
- Eckart, C., & Young, G. (1936). The approximation of one matrix by another of lower rank. Psychometrika, 1(3), 211–218. https://doi.org/10.1007/BF02288367
- Gabriel, K. R. (1971). The biplot graphic display of matrices with application to principal component analysis. Biometrika, 58(3), 453–467. https://doi.org/10.1093/biomet/58.3.453
- Gower, J. C., & Hand, D. J. (1996). Biplots. Chapman & Hall / CRC Press. https://doi.org/10.1201/9780203749289
- Greenacre, M. (2010). Biplots in Practice. Fundacion BBVA. https://www.fbbva.es/wp-content/uploads/2017/05/dat/greenacre_biplots_in_practice.pdf
- Saporta, G. (2006). Probabilités, analyse des données et statistique (2e éd.). Éditions Technip.