m<\/em> facteurs, la fonction objectif brute maximis\u00e9e par l’algorithme s’\u00e9nonce :<\/p>\nV = ∑j=1<\/sub>m<\/sup> [ ∑i=1<\/sub>p<\/sup> (λij<\/sub>2<\/sup>)2<\/sup> – (1\/p) (∑i=1<\/sub>p<\/sup> λij<\/sub>2<\/sup>)2<\/sup> ]<\/em><\/span><\/p>\nDans la pratique logicielle standardis\u00e9e, on applique quasi syst\u00e9matiquement la normalisation de Kaiser, qui consiste \u00e0 diviser pr\u00e9alablement chaque saturation λij<\/sub><\/em> par la racine carr\u00e9e de la communalit\u00e9 de la variable associ\u00e9e (hi<\/sub><\/em>). Cette op\u00e9ration conf\u00e8re un poids \u00e9quivalent \u00e0 toutes les variables lors de la phase d’optimisation num\u00e9rique, \u00e9vitant que les variables dot\u00e9es d’une tr\u00e8s forte communalit\u00e9 ne dictent de mani\u00e8re disproportionn\u00e9e l’orientation finale des axes. Une fois la rotation converg\u00e9e, la normalisation est invers\u00e9e en multipliant \u00e0 nouveau les saturations par hi<\/sub><\/em> pour restituer la m\u00e9trique d’origine.<\/p>\nDeux autres m\u00e9thodes orthogonales classiques m\u00e9ritent d’\u00eatre distingu\u00e9es, bien que leur emploi soit aujourd’hui plus restreint :<\/p>\n
\n- Quartimax :<\/strong> Propos\u00e9e ind\u00e9pendamment par plusieurs statisticiens au d\u00e9but des ann\u00e9es 1950, la rotation Quartimax cherche \u00e0 simplifier les lignes de la matrice de saturation plut\u00f4t que ses colonnes. Elle vise \u00e0 maximiser la variance des saturations au carr\u00e9 sur l’ensemble de la matrice sans accorder de priorit\u00e9 \u00e0 la dispersion intra-facteur. L’inconv\u00e9nient notoire du Quartimax r\u00e9side dans sa propension marqu\u00e9e \u00e0 isoler un premier facteur g\u00e9n\u00e9ral massif sur lequel la quasi-totalit\u00e9 des variables manifestent des saturations substantielles, ce qui compromet fr\u00e9quemment l’atteinte d’une v\u00e9ritable structure simple diff\u00e9renci\u00e9e.<\/li>\n
- Equamax :<\/strong> Con\u00e7ue comme un compromis param\u00e9trique entre le Varimax et le Quartimax, la m\u00e9thode Equamax r\u00e9gule simultan\u00e9ment la variance des saturations au carr\u00e9 au sein des lignes et au sein des colonnes. Elle ajuste dynamiquement la pond\u00e9ration de l’algorithme en fonction du nombre de variables observ\u00e9es et du nombre de facteurs extraits. Bien qu’\u00e9l\u00e9gante sur le plan conceptuel, elle peut parfois g\u00e9n\u00e9rer des solutions instables ou arbitrairement subdivis\u00e9es lorsque la taille d’\u00e9chantillon est restreinte ou que le ratio variables\/facteurs est atypique.<\/li>\n<\/ul>\n
2.3 Avantages \u00e9pist\u00e9mologiques et limites structurelles<\/h3>\n
Le succ\u00e8s ph\u00e9nom\u00e9nal de la rotation orthogonale, en particulier de la m\u00e9thode Varimax, repose sur des atouts analytiques consid\u00e9rables. En premier lieu, la stricte ind\u00e9pendance factorielle garantit une absence totale de multicolin\u00e9arit\u00e9 entre les facteurs extraits. Dans de nombreux protocoles de recherche quantitative, l’analyse factorielle n’est qu’une \u00e9tape interm\u00e9diaire destin\u00e9e \u00e0 r\u00e9duire la dimensionnalit\u00e9 des donn\u00e9es avant d’injecter des scores factoriels dans des mod\u00e8les d’\u00e9valuation subs\u00e9quents, tels que des r\u00e9gressions lin\u00e9aires multiples, des analyses de survie, des r\u00e9gressions logistiques ou des analyses discriminantes. Lorsque les pr\u00e9dicteurs latents sont mutuellement orthogonaux, les coefficients de r\u00e9gression associ\u00e9s refl\u00e8tent la contribution unique et non ambigu\u00eb de chaque dimension sans risque d’inflation de la variance des erreurs-types ou de perturbations dues \u00e0 la colin\u00e9arit\u00e9.<\/p>\n
En second lieu, la rotation orthogonale conf\u00e8re une remarquable stabilit\u00e9 aux repr\u00e9sentations g\u00e9om\u00e9triques et en facilite l’appropriation cognitive par les chercheurs. L’interpr\u00e9tation des donn\u00e9es au sein d’un rep\u00e8re cart\u00e9sien standard, o\u00f9 la distance d’un point \u00e0 un axe correspond directement \u00e0 sa projection perpendiculaire, s’aligne intuitivement sur les r\u00e9flexes de la g\u00e9om\u00e9trie euclidienne \u00e9l\u00e9mentaire. En outre, la d\u00e9composition de la variance totale expliqu\u00e9e r\u00e9pond \u00e0 une stricte propri\u00e9t\u00e9 d’additivit\u00e9 arithm\u00e9tique : la variance totale expliqu\u00e9e par l’ensemble des facteurs communs \u00e9quivaut exactement \u00e0 la somme lin\u00e9aire des variances expliqu\u00e9es individuellement par chaque facteur tourn\u00e9. Cette additivit\u00e9 simplifie grandement l’\u00e9tablissement de bilans quantitatifs synth\u00e9tiques au sein des rapports de recherche.<\/p>\n
N\u00e9anmoins, ces avantages pratiques s’accompagnent de limites structurelles substantielles qui ont fait l’objet de critiques m\u00e9thodologiques s\u00e9v\u00e8res dans la litt\u00e9rature psychom\u00e9trique contemporaine. En contraignant artificiellement l’ind\u00e9pendance de facteurs qui partagent des fondements biologiques, cognitifs ou sociaux communs, la rotation orthogonale risque de violer l’\u00e9cologie m\u00eame du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9. Lorsque deux dimensions th\u00e9oriques sont r\u00e9ellement corr\u00e9l\u00e9es dans la population sous-jacente, le maintien forc\u00e9 d’un angle de 90 degr\u00e9s contraint l’algorithme \u00e0 op\u00e9rer des compromis g\u00e9om\u00e9triques distorsifs. Pour tenter de minimiser les fonctions de perte sous cette contrainte non naturelle, la m\u00e9thode Varimax est fr\u00e9quemment amen\u00e9e \u00e0 cr\u00e9er des saturations crois\u00e9es artificielles ou, \u00e0 l’inverse, \u00e0 forcer l’apparition de facteurs bipolaires illusoires comportant des saturations n\u00e9gatives sans fondement substantiel. D\u00e8s lors, le chercheur s’expose au p\u00e9ril d’attribuer une signification conceptuelle profonde \u00e0 ce qui ne constitue en r\u00e9alit\u00e9 qu’un artefact math\u00e9matique engendr\u00e9 par un postulat d’orthogonalit\u00e9 inappropri\u00e9.<\/p>\n
3. Vue d’ensemble de la rotation oblique : La flexibilit\u00e9 des dimensions corr\u00e9l\u00e9es<\/h2>\n3.1 Fondements g\u00e9om\u00e9triques et assouplissement angulaire<\/h3>\n
La rotation oblique s’\u00e9mancipe de la contrainte d’ind\u00e9pendance factorielle en autorisant les axes factoriels de r\u00e9f\u00e9rence \u00e0 pivoter librement de mani\u00e8re autonome. Dans cette configuration g\u00e9om\u00e9trique souple, les axes ne sont plus verrouill\u00e9s au sein d’un cadre rigide orthogonal : l’angle θ qui s\u00e9pare deux facteurs quelconques peut devenir aigu (θ < 90°) ou obtus (θ > 90°). Le cosinus de cet angle g\u00e9om\u00e9trique correspond pr\u00e9cis\u00e9ment au coefficient de corr\u00e9lation de Pearson existant entre les deux dimensions latentes correspondantes. D\u00e8s lors que l’orthogonalit\u00e9 est abandonn\u00e9e, la matrice de corr\u00e9lation factorielle Φ<\/em> cesse d’\u00eatre une matrice identit\u00e9 ; elle devient une matrice sym\u00e9trique compl\u00e8te comportant des valeurs extradiagonales non nulles (rjk<\/sub> ≠ 0<\/em>) traduisant l’intensit\u00e9 et la direction des interd\u00e9pendances entre les construits<\/span>.<\/p>\nCet assouplissement angulaire autorise les facteurs \u00e0 s’orienter directement vers les faisceaux denses de variables observ\u00e9es au sein du nuage de points, \u00e9pousant fid\u00e8lement la structure topologique naturelle des donn\u00e9es. Cependant, cette libert\u00e9 g\u00e9om\u00e9trique induit une rupture fondamentale dans la mod\u00e9lisation math\u00e9matique : la perte de l’\u00e9quivalence entre la projection orthogonale et la projection oblique n\u00e9cessite la scission formelle de la repr\u00e9sentation factorielle en deux matrices distinctes et compl\u00e9mentaires :<\/p>\n
La premi\u00e8re est la matrice de configuration factorielle (pattern matrix<\/em>)<\/strong>, g\u00e9n\u00e9ralement not\u00e9e P<\/em> ou Λ<\/em>. Ses \u00e9l\u00e9ments, d\u00e9nomm\u00e9s saturations de configuration, correspondent aux coefficients de r\u00e9gression partielle standardis\u00e9s reliant chaque variable manifeste au facteur latent, apr\u00e8s contr\u00f4le et neutralisation des effets de l’ensemble des autres facteurs du mod\u00e8le. La matrice de configuration isole la contribution unique et sp\u00e9cifique du facteur \u00e0 l’explication de la variance de la variable observ\u00e9e. Elle constitue la matrice analytique d’interpr\u00e9tation privil\u00e9gi\u00e9e par les chercheurs, car elle traduit la structure causale th\u00e9orique directe postulated dans le mod\u00e8le de mesure.<\/p>\nLa seconde est la matrice de structure factorielle (structure matrix<\/em>)<\/strong>, not\u00e9e S<\/em>. Ses \u00e9l\u00e9ments repr\u00e9sentent les coefficients de corr\u00e9lation bivari\u00e9e simples d’ordre z\u00e9ro existant entre chaque variable manifeste et chaque facteur latent. Contrairement \u00e0 la matrice de configuration, la matrice de structure incorpore \u00e0 la fois la variance unique partag\u00e9e directement entre le facteur et la variable, et la variance indirecte partag\u00e9e par l’interm\u00e9diaire des corr\u00e9lations mutuelles qu’entretient ce facteur avec les autres dimensions latentes. La relation formelle liant ces deux matrices s’\u00e9nonce :<\/p>\nS = P Φ<\/em><\/span><\/p>\nDans un contexte oblique o\u00f9 Φ<\/em> n’est pas diagonale, chaque \u00e9l\u00e9ment sij<\/sub><\/em> de la matrice de structure est \u00e9gal \u00e0 la somme pond\u00e9r\u00e9e des coefficients de configuration de la variable i<\/em> sur l’ensemble des facteurs, multipli\u00e9s par les corr\u00e9lations reliant ces facteurs au facteur j<\/em> : sij<\/sub> = ∑k<\/sub> pik<\/sub> φkj<\/sub><\/em>. Ignorer cette dissociation fondamentale et interpr\u00e9ter la matrice de structure comme s’il s’agissait d’une matrice orthogonale conduit in\u00e9vitablement \u00e0 des contresens analytiques majeurs, les saturations de structure se trouvant artificiellement gonfl\u00e9es par la colin\u00e9arit\u00e9 factorielle<\/span>.<\/p>\n3.2 Principales m\u00e9thodes de rotation oblique<\/h3>\n
La litt\u00e9rature computationnelle a propos\u00e9 diverses familles de crit\u00e8res math\u00e9matiques 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 sp\u00e9cialis\u00e9s :<\/p>\n
La m\u00e9thode Promax :<\/strong> Con\u00e7ue par Hendrickson et White en 1964, la rotation Promax est une proc\u00e9dure en plusieurs \u00e9tapes reposant sur le principe de la cible calcul\u00e9e. Elle combine l’\u00e9l\u00e9gance calculatoire de la rotation orthogonale avec la flexibilit\u00e9 de la g\u00e9om\u00e9trie oblique. Le processus se d\u00e9ploie en trois phases successives :<\/p>\n\n- Une rotation orthogonale Varimax est initialement appliqu\u00e9e \u00e0 la matrice factorielle non tourn\u00e9e afin d’obtenir une premi\u00e8re solution de structure simple standardis\u00e9e.<\/li>\n
- Les saturations obtenues sont ensuite \u00e9lev\u00e9es \u00e0 une puissance exponentielle k<\/em> (la valeur par d\u00e9faut \u00e9tant traditionnellement fix\u00e9e \u00e0 k = 4<\/em>, bien que des valeurs de 2 ou 3 soient fr\u00e9quemment explor\u00e9es). Cette \u00e9l\u00e9vation de puissance a pour effet spectaculaire d’accentuer drastiquement les contrastes num\u00e9riques : les saturations modestes (par exemple 0,20) deviennent totalement n\u00e9gligeables (0,204<\/sup> = 0,0016), tandis que les saturations substantielles (par exemple 0,80) conservent une ampleur d\u00e9terminante (0,804<\/sup> = 0,4096). La matrice r\u00e9sultante, d\u00e9sign\u00e9e sous le nom de matrice cible id\u00e9ale (target matrix<\/em>), conserve les signes d’origine des coefficients<\/span>.<\/li>\n
- Une rotation oblique est enfin calcul\u00e9e par la m\u00e9thode des moindres carr\u00e9s afin d’ajuster au plus pr\u00e8s la matrice factorielle initiale sur cette matrice cible id\u00e9ale. L’algorithme Promax offre une vitesse d’ex\u00e9cution exceptionnelle m\u00eame sur des matrices de donn\u00e9es massives comportant des centaines d’indicateurs.<\/li>\n<\/ul>\n
La m\u00e9thode Direct Oblimin :<\/strong> Formalis\u00e9e par Jennrich et Sampson en 1966 puis perfectionn\u00e9e par Clarkson et Jennrich en 1988, la m\u00e9thode Direct Oblimin r\u00e9sout directement le probl\u00e8me de rotation oblique par la minimisation continue d’une fonction de perte param\u00e9tr\u00e9e sur la matrice de configuration, sans recourir \u00e0 une rotation orthogonale interm\u00e9diaire. La fonction de perte s’exprime selon la formulation suivante :<\/p>\nf(Λ) = ∑j≠k<\/sub>m<\/sup> [ ∑i=1<\/sub>p<\/sup> λij<\/sub>2<\/sup> λik<\/sub>2<\/sup> – (δ \/ p) (∑i=1<\/sub>p<\/sup> λij<\/sub>2<\/sup>) (∑i=1<\/sub>p<\/sup> λik<\/sub>2<\/sup>) ]<\/em><\/span><\/p>\nLa singularit\u00e9 du Direct Oblimin r\u00e9side dans l’int\u00e9gration du param\u00e8tre δ<\/em> (delta), qui permet \u00e0 l’analyste de moduler explicitement le degr\u00e9 d’obliquit\u00e9 maximal consenti aux facteurs :<\/p>\n\n- Lorsque δ = 0<\/em> (la valeur par d\u00e9faut dans la plupart des impl\u00e9mentations logicielles telles que SPSS ou SAS), l’algorithme correspond au crit\u00e8re Direct Quartimin<\/em> et autorise un niveau d’obliquit\u00e9 mod\u00e9r\u00e9 \u00e0 \u00e9lev\u00e9, r\u00e9put\u00e9 id\u00e9al pour la plupart des configurations empiriques courantes<\/span>.<\/li>\n
- Lorsque δ < 0<\/em> (les valeurs n\u00e9gatives pouvant descendre jusqu’\u00e0 -5 ou -10), la fonction de perte p\u00e9nalise s\u00e9v\u00e8rement les corr\u00e9lations factorielles \u00e9lev\u00e9es. \u00c0 mesure que delta devient fortement n\u00e9gatif, les facteurs sont contraints \u00e0 une quasi-orthogonalit\u00e9<\/span>.<\/li>\n
- Lorsque δ > 0<\/em> (les valeurs positives \u00e9tant g\u00e9n\u00e9ralement born\u00e9es \u00e0 0,8 pour \u00e9viter des instabilit\u00e9s d’inversion), l’algorithme encourage des corr\u00e9lations tr\u00e8s intenses entre les axes latents. Cette configuration doit toutefois \u00eatre mani\u00e9e avec une extr\u00eame prudence, sous peine de voir les facteurs s’effondrer les uns sur les autres dans un \u00e9tat d’intercorr\u00e9lation redondante<\/span>.<\/li>\n<\/ul>\n
D’autres m\u00e9thodes obliques, telles que la rotation Oblimax<\/em> ou la rotation Quartimin<\/em> brute, reposent sur la maximisation de l’aplatissement (kurtosis) ou la minimisation de l’entropie informationnelle de la matrice de saturation, mais elles s’av\u00e8rent structurellement moins stables que Promax et Direct Oblimin face aux variations d’\u00e9chantillonnage.<\/p>\n3.3 Avantages d’ajustement empirique et complexit\u00e9 interpr\u00e9tative<\/h3>\n
L’avantage cardinal de la rotation oblique r\u00e9side dans son ad\u00e9quation ph\u00e9nom\u00e9nologique avec la complexit\u00e9 inh\u00e9rente aux sciences empiriques. Dans les syst\u00e8mes cognitifs, affectifs, socioculturels ou physiologiques, l’ind\u00e9pendance stricte des m\u00e9canismes r\u00e9gulateurs rel\u00e8ve de l’exception plut\u00f4t que de la norme. Autoriser les axes latents \u00e0 \u00eatre corr\u00e9l\u00e9s permet \u00e0 l’algorithme de respecter la structure g\u00e9om\u00e9trique intrins\u00e8que des donn\u00e9es sans tordre artificiellement les saturations pour satisfaire un postulat euclidien dogmatique. L’analyste acc\u00e8de ainsi \u00e0 une matrice de corr\u00e9lation factorielle Φ<\/em> explicite, qui fournit un mat\u00e9riau quantitatif d’une valeur heuristique inestimable pour cartographier les interactions fonctionnelles entre les construits.<\/p>\nEn outre, l’obtention d’une matrice Φ<\/em> comportant des corr\u00e9lations factorielles substantielles (par exemple r<\/em> > 0,40 ou 0,50) ouvre naturellement la voie \u00e0 la mod\u00e9lisation hi\u00e9rarchique \u00e0 facteurs de second ordre. Si les dimensions latentes de premier ordre covarient significativement entre elles, cette covariance partag\u00e9e sugg\u00e8re l’existence d’une entit\u00e9 causale plus abstraite r\u00e9gissant l’ensemble du syst\u00e8me. C’est pr\u00e9cis\u00e9ment gr\u00e2ce \u00e0 la rotation oblique que des mod\u00e8les th\u00e9oriques majeurs, tels que la structure hi\u00e9rarchique des aptitudes cognitives (mod\u00e8le CHC pour Cattell-Horn-Carroll<\/a>) ou la d\u00e9composition des facettes des troubles de l’humeur, ont pu \u00eatre rigoureusement formalis\u00e9s et valid\u00e9s<\/span>.<\/p>\nToutefois, cette fid\u00e9lit\u00e9 descriptive impose un co\u00fbt analytique consid\u00e9rable. La scission entre la matrice de configuration et la matrice de structure contraint le chercheur \u00e0 une gymnastique interpr\u00e9tative vigilante. Dans de nombreuses situations empiriques, une variable peut pr\u00e9senter un coefficient de configuration nul ou n\u00e9gatif sur un facteur au sein de la pattern matrix<\/em>, tout en affichant une corr\u00e9lation bivari\u00e9e positive et substantielle avec ce m\u00eame facteur dans la structure matrix<\/em>. Ces divergences apparentes d\u00e9coulent directement des effets de suppression et des dynamiques de r\u00e9gression multiple inh\u00e9rentes \u00e0 la colin\u00e9arit\u00e9 des axes. De plus, la variance commune expliqu\u00e9e par l’ensemble des facteurs obliques ne peut plus faire l’objet d’un partitionnement additif \u00e9l\u00e9mentaire : en raison du chevauchement de la variance partag\u00e9e entre les axes corr\u00e9l\u00e9s, la somme des pourcentages de variance associ\u00e9s individuellement \u00e0 chaque facteur d\u00e9passe syst\u00e9matiquement la variance totale v\u00e9ritablement expliqu\u00e9e par le mod\u00e8le.<\/p>\n4. Diff\u00e9rences cl\u00e9s entre rotation orthogonale et rotation oblique<\/h2>\n4.1 Comparaison structurelle, g\u00e9om\u00e9trique et algorithmique<\/h3>\n
L’analyse comparative rigoureuse de la rotation orthogonale et de la rotation oblique met en lumi\u00e8re des divergences fondamentales portant sur l’ensemble de la cha\u00eene de traitement math\u00e9matique. Le point de bascule r\u00e9side dans le statut accord\u00e9 \u00e0 la m\u00e9trique de l’espace factoriel. Dans la rotation orthogonale, le rep\u00e8re spatial pivote en conservant de mani\u00e8re absolue la rigidit\u00e9 de son produit scalaire d’origine : l’orthogonalit\u00e9 euclidienne est garantie par la contrainte de transformation TT<\/sup> T = I<\/em>. Deux facteurs quelconques demeurent donc math\u00e9matiquement ind\u00e9pendants, ce qui contraint les vecteurs factoriels \u00e0 \u00eatre asymptotiquement non corr\u00e9l\u00e9s au sein de la population. En revanche, la rotation oblique transforme l’espace en un rep\u00e8re cart\u00e9sien non orthogonal, o\u00f9 chaque axe est libre de pivoter de mani\u00e8re ind\u00e9pendante pour trouver la ligne de plus grande densit\u00e9 au sein des variables observ\u00e9es. La contrainte de normalit\u00e9 unitaire des vecteurs factoriels est maintenue, mais la contrainte d’orthogonalit\u00e9 mutuelle est d\u00e9lib\u00e9r\u00e9ment lev\u00e9e<\/span>.<\/p>\nSur le plan algorithmique, cette divergence engendre deux dynamiques computationnelles dissemblables. Alors que les m\u00e9thodes orthogonales (Varimax) optimisent une fonction de distribution intra-axe ferm\u00e9e en recherchant une matrice de transformation orthonorm\u00e9e par des rotations successives de Jacobi deux \u00e0 deux, les m\u00e9thodes obliques (Direct Oblimin, Promax) optimisent des surfaces d’erreur plus complexes autorisant des d\u00e9riv\u00e9es partielles crois\u00e9es entre les facteurs. La cons\u00e9quence op\u00e9rationnelle directe de cette g\u00e9om\u00e9trie r\u00e9side dans le mode de restitution des r\u00e9sultats. Pour l’orthogonalit\u00e9, l’analyste examine une seule et unique matrice de saturation qui r\u00e9sume l’int\u00e9gralit\u00e9 de l’information (les poids de r\u00e9gression \u00e9tant indissociables des corr\u00e9lations simples). Pour l’obliquit\u00e9, l’analyste doit imp\u00e9rativement inspecter simultan\u00e9ment trois matrices compl\u00e9mentaires : la matrice de configuration (pour d\u00e9terminer la composition univoque des construits), la matrice de structure (pour \u00e9valuer le niveau d’association globale des items avec les facteurs) et la matrice de corr\u00e9lation factorielle Φ<\/em> (pour quantifier les relations entretenues par les dimensions latentes).<\/p>\n4.2 Propri\u00e9t\u00e9s statistiques et pr\u00e9servation de la variance<\/h3>\n
D’un point de vue statistique, l’une des distinctions les plus fondamentales concerne la d\u00e9composition et le calcul de la variance totale expliqu\u00e9e par les facteurs. Dans le cadre d’une solution factorielle orthogonale, la variance commune totale extraite par le mod\u00e8le se d\u00e9compose de fa\u00e7on strictement additive. Si un mod\u00e8le comporte trois facteurs orthogonaux expliquant respectivement 25 %, 18 % et 12 % de la variance totale du jeu d’indicateurs, l’ensemble du syst\u00e8me explique rigoureusement 25 + 18 + 12 = 55 % de la variance. La part de variance associ\u00e9e au facteur j<\/em> s’obtient simplement en sommant le carr\u00e9 des saturations de ce facteur sur l’ensemble des p<\/em> variables observ\u00e9es (∑i=1<\/sub>p<\/sup> λij<\/sub>2<\/sup><\/em>), valeur directement \u00e9quivalente \u00e0 la valeur propre tourn\u00e9e (eigenvalue<\/em> post-rotation)<\/span>.<\/p>\nDans le cadre d’une solution oblique, cette propri\u00e9t\u00e9 d’additivit\u00e9 arithm\u00e9tique s’effondre int\u00e9gralement. \u00c9tant donn\u00e9 que les facteurs sous-jacents sont corr\u00e9l\u00e9s, ils partagent entre eux une proportion substantielle de variance commune redondante. Par cons\u00e9quent, si l’on calcule la somme des carr\u00e9s des saturations de la matrice de structure ou de configuration pour chaque facteur, la somme lin\u00e9aire de ces composantes d\u00e9passe in\u00e9vitablement la variance v\u00e9ritablement condens\u00e9e par le mod\u00e8le. L’analyste ne peut donc plus affirmer que la somme des facteurs explique l’addition brute de leurs contributions respectives. La variance totale expliqu\u00e9e par un mod\u00e8le oblique doit imp\u00e9rativement \u00eatre calcul\u00e9e globalement \u00e0 l’aide de l’alg\u00e8bre matricielle en int\u00e9grant la matrice Φ<\/em>, ou en revenant aux valeurs propres du sous-espace non tourn\u00e9.<\/p>\nUne autre divergence fondamentale touche \u00e0 la sensibilit\u00e9 \u00e0 la multicolin\u00e9arit\u00e9 et \u00e0 l’usage des scores factoriels dans les analyses secondaires. Lorsqu’un praticien calcule des scores factoriels (par exemple par la m\u00e9thode de Bartlett ou par la m\u00e9thode de r\u00e9gression de Thomson) issus d’une rotation orthogonale, les scores g\u00e9n\u00e9r\u00e9s sont th\u00e9oriquement d\u00e9corr\u00e9l\u00e9s. Ils peuvent \u00eatre directement int\u00e9gr\u00e9s comme pr\u00e9dicteurs dans un mod\u00e8le d’\u00e9conom\u00e9trie sans risque de gonfler les facteurs d’inflation de la variance (VIF). En revanche, les scores factoriels d\u00e9riv\u00e9s d’une rotation oblique reproduisent la corr\u00e9lation factorielle stipul\u00e9e par la matrice Φ<\/em>. S’ils sont ins\u00e9r\u00e9s sans pr\u00e9caution au sein d’une r\u00e9gression multiple, ils g\u00e9n\u00e8rent de la multicolin\u00e9arit\u00e9 entre pr\u00e9dicteurs, ce qui peut d\u00e9stabiliser l’estimation des coefficients de r\u00e9gression et masquer la significativit\u00e9 de variables contributives. Toutefois, cette corr\u00e9lation n’est pas un artefact ind\u00e9sirable : elle traduit fid\u00e8lement la structure relationnelle du monde r\u00e9el.<\/p>\n4.3 Tableau comparatif des param\u00e8tres d’\u00e9valuation<\/h3>\n
Le tableau ci-dessous r\u00e9capitule les caract\u00e9ristiques structurelles, computationnelles et pratiques qui distinguent la rotation orthogonale de la rotation oblique au sein du mod\u00e8le factoriel exploratoire :<\/p>\n
\n\n\n| Dimension d’analyse<\/th>\n | Rotation orthogonale<\/th>\n | Rotation oblique<\/th>\n<\/tr>\n<\/thead>\n |
\n\nPostulat th\u00e9orique fondamental<\/strong><\/td>\n| Les dimensions latentes sous-jacentes sont totalement ind\u00e9pendantes et n’entretiennent aucune relation fonctionnelle.<\/td>\n | Les dimensions latentes sous-jacentes sont potentiellement ou n\u00e9cessairement corr\u00e9l\u00e9es dans la population parente.<\/td>\n<\/tr>\n | \nAngle g\u00e9om\u00e9trique entre les axes factoriels<\/strong><\/td>\n| Fixe et invariable, rigoureusement contraint \u00e0 un angle droit de 90° (π\/2 radians).<\/td>\n | Variable et libre, formant des angles aigus (< 90°) ou obtus (> 90°) ajust\u00e9s \u00e0 la dispersion empirique<\/span>.<\/td>\n<\/tr>\n\nMatrice de corr\u00e9lation factorielle (Φ<\/em>)<\/strong><\/td>\nMatrice identit\u00e9 stricte (Φ = I<\/em>) comportant des 1 sur la diagonale et des z\u00e9ros absolus hors diagonale<\/span>.<\/td>\nMatrice sym\u00e9trique compl\u00e8te pr\u00e9sentant des coefficients de corr\u00e9lation de Pearson bivari\u00e9s r\u00e9els (-1 ≤ r ≤ 1<\/em>)<\/span>.<\/td>\n<\/tr>\n\nMatrices de saturation g\u00e9n\u00e9r\u00e9es<\/strong><\/td>\nUne seule et unique matrice : la matrice de saturation tourn\u00e9e (Λ<\/em>), o\u00f9 configuration et structure sont identiques.<\/td>\nDeux matrices distinctes et compl\u00e9mentaires : la matrice de configuration (pattern<\/em>) et la matrice de structure (structure<\/em>).<\/td>\n<\/tr>\n\nSignification des coefficients de saturation<\/strong><\/td>\n| Repr\u00e9sentent simultan\u00e9ment les coefficients de r\u00e9gression standardis\u00e9s directs et les corr\u00e9lations bivari\u00e9es simples.<\/td>\n | Configuration : coefficients de r\u00e9gression partielle uniques. Structure : corr\u00e9lations bivari\u00e9es globales variables-facteurs.<\/td>\n<\/tr>\n | \nAdditivit\u00e9 de la variance totale expliqu\u00e9e<\/strong><\/td>\n| Additivit\u00e9 parfaite : la somme des variances individuelles des facteurs tourn\u00e9s \u00e9gale la variance totale expliqu\u00e9e.<\/td>\n | Non additive : le chevauchement de la variance partag\u00e9e induit une somme de variances marginales sup\u00e9rieure au total r\u00e9el.<\/td>\n<\/tr>\n | \nRisque de biais substantiel<\/strong><\/td>\n| Risque \u00e9lev\u00e9 d’imposer une orthogonalit\u00e9 artificielle, d\u00e9formant la structure factorielle et cr\u00e9ant de fausses saturations crois\u00e9es.<\/td>\n | Risque d’obtenir des facteurs excessivement colin\u00e9aires rendant l’interpr\u00e9tation th\u00e9orique redondante si delta est mal calibr\u00e9.<\/td>\n<\/tr>\n | \nUtilisation ult\u00e9rieure des scores factoriels<\/strong><\/td>\n| Id\u00e9ale pour alimenter des mod\u00e8les pr\u00e9dictifs sans multicolin\u00e9arit\u00e9 (r\u00e9gressions OLS, mod\u00e8les de classification).<\/td>\n | Requiert des techniques d’analyse tenant compte de la colin\u00e9arit\u00e9 des pr\u00e9dicteurs (mod\u00e9lisation structurelle, r\u00e9gression ridge).<\/td>\n<\/tr>\n | \nPossibilit\u00e9 d’analyser des facteurs de second ordre<\/strong><\/td>\n| Impossible directement, car les corr\u00e9lations entre facteurs de premier ordre sont nulles par d\u00e9finition axiomatique.<\/td>\n | Parfaitement adapt\u00e9e : la matrice de corr\u00e9lation factorielle Φ<\/em> peut faire l’objet d’une analyse factorielle secondaire.<\/td>\n<\/tr>\n\nAlgorithmes repr\u00e9sentatifs dominants<\/strong><\/td>\n| Varimax (standard par excellence), Quartimax, Equamax.<\/td>\n | Promax (fond\u00e9 sur une matrice cible exponentielle), Direct Oblimin (param\u00e9tr\u00e9 par δ<\/em>).<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n5. Similitudes et points de convergence<\/h2>\n5.1 Objectifs communs au sein du mod\u00e8le factoriel<\/h3>\nEn d\u00e9pit de leurs oppositions g\u00e9om\u00e9triques manifestes, la rotation orthogonale et la rotation oblique partagent le m\u00eame objectif t\u00e9l\u00e9ologique : convertir une solution factorielle math\u00e9matiquement optimale mais conceptuellement opaque en une configuration r\u00e9pondant au principe de parcimonie de la structure simple. Les deux d\u00e9marches s’accordent sur le diagnostic initial formul\u00e9 par Thurstone : la premi\u00e8re extraction non tourn\u00e9e pr\u00e9sente presque invariablement un premier facteur g\u00e9n\u00e9ral absorbant la majeure partie de la variance, suivi d’axes bipolaires oscillant de mani\u00e8re erratique entre saturations positives et n\u00e9gatives. Que l’on mobilise un algorithme Varimax ou une proc\u00e9dure Direct Oblimin, l’intention reste rigoureusement identique : regrouper les variables en faisceaux coh\u00e9rents, \u00e9liminer les saturations crois\u00e9es ambigu\u00ebs d’amplitude interm\u00e9diaire (typiquement comprises entre 0,30 et 0,50) et polariser les poids factoriels afin que chaque variable soit domin\u00e9e par un nombre minimal de dimensions latentes.<\/p>\n De plus, sur le plan strict des propri\u00e9t\u00e9s math\u00e9matiques de l’espace vectoriel, les deux familles de rotation respectent un principe absolu d’invariance de l’ajustement global du mod\u00e8le. La rotation ne modifie en rien le sous-espace d\u00e9fini par les facteurs communs extraits. En cons\u00e9quence directe, la communalit\u00e9 (hi<\/sub>2<\/sup><\/em>) associ\u00e9e \u00e0 chaque variable manifeste demeure parfaitement invariable avant et apr\u00e8s rotation, quelle que soit la m\u00e9thode employ\u00e9e (Varimax, Quartimax, Promax ou Oblimin). De mani\u00e8re analogue, la variance r\u00e9siduelle unique associ\u00e9e \u00e0 chaque variable (u | | | | | | | | | | | | | | | | |