Dans le champ de l’analyse multivari\u00e9e contemporaine, peu de d\u00e9bats m\u00e9thodologiques suscitent autant de controverses r\u00e9currentes et de confusions persistantes que la distinction entre l’Analyse en composantes principales (ACP) et l’Analyse en facteurs communs (AFC, souvent d\u00e9sign\u00e9e sous l’appellation d’analyse factorielle exploratoire ou commune). Bien que ces deux approches partagent une architecture matricielle issue de l’alg\u00e8bre lin\u00e9aire et poursuivent un objectif apparent de simplification des jeux de donn\u00e9es complexes, leurs fondements axiomatiques, leurs hypoth\u00e8ses probabilistes et leurs port\u00e9es \u00e9pist\u00e9mologiques se situent aux antipodes l’un de l’autre. La pratique scientifique empirique, qu’elle s’exerce en psychom\u00e9trie, en sociologie, en \u00e9conomie ou en biologie computationnelle, souffre d’un amalgame tenace qui conduit fr\u00e9quemment \u00e0 substituer une proc\u00e9dure descriptive de condensation g\u00e9om\u00e9trique \u00e0 un v\u00e9ritable mod\u00e8le de mesure des variables inobservables.<\/p>\n
Cette assimilation superficielle trouve son origine dans l’illusion d’une similarit\u00e9 technique : dans les deux cas, le chercheur soumet une matrice d’associations num\u00e9riques \u00e0 un algorithme de d\u00e9composition spectrale afin d’obtenir un ensemble restreint de dimensions ordonn\u00e9es, qu’il projette ensuite dans un espace euclidien apr\u00e8s d’\u00e9ventuelles rotations orthogonales ou obliques. Pourtant, derri\u00e8re cette communaut\u00e9 d’op\u00e9rations matricielles se dissimule une divergence fondamentale quant \u00e0 la nature m\u00eame de la variance analys\u00e9e. Tandis que l’analyse en composantes principales traite l’int\u00e9gralit\u00e9 de la variance manifest\u00e9e par les indicateurs observ\u00e9s sans admettre l’existence d’une composante d’erreur r\u00e9siduelle, l’analyse en facteurs communs postule explicitement un mod\u00e8le structurel dans lequel la variance observ\u00e9e se partitionne rigoureusement entre variance commune, variance sp\u00e9cifique et variance d’erreur al\u00e9atoire.<\/p>\n
Ignorer cette d\u00e9marcation fondamentale expose les praticiens \u00e0 de s\u00e9v\u00e8res biais inf\u00e9rentiels. Conclure \u00e0 l’existence d’une variable latente th\u00e9orique sur la base exclusive d’une analyse en composantes principales constitue un sophisme de r\u00e9ification, transformant un simple indice composite math\u00e9matique en une cause sous-jacente non mesur\u00e9e. R\u00e9ciproquement, vouloir isoler des dimensions d’erreur dans un contexte d’ing\u00e9nierie pr\u00e9dictive o\u00f9 seule compte la reconstitution parcimonieuse de l’information empirique constitue un d\u00e9tour algorithmique inutilement lourd et susceptible d’instabilit\u00e9s num\u00e9riques. Cet article propose un examen exhaustif, math\u00e9matiquement rigoureux et \u00e9pist\u00e9mologiquement exigeant de ces deux grandes traditions factorielles, en articulant leurs filiations conceptuelles, leurs m\u00e9canismes alg\u00e9briques diff\u00e9rentiels et leurs implications pratiques pour la recherche reproductible.<\/p>\n
L’Analyse en composantes principales constitue par essence une technique g\u00e9om\u00e9trique et d\u00e9terministe de r\u00e9duction de dimensionnalit\u00e9. D\u00e9velopp\u00e9e sans postulat relatif \u00e0 l’existence d’entit\u00e9s inobservables, elle vise \u00e0 condenser un vecteur de variables quantitatives corr\u00e9l\u00e9es en un vecteur de dimensions synth\u00e9tiques orthogonales, d\u00e9nomm\u00e9es composantes principales, lesquelles capturent s\u00e9quentiellement la proportion maximale de la variance totale contenue dans le syst\u00e8me initial. Les composantes ainsi d\u00e9riv\u00e9es ne sont rien d’autre que des combinaisons lin\u00e9aires directes des indicateurs observ\u00e9s d’origine. Dans ce cadre, aucune variable latente n’est conceptualis\u00e9e : l’ACP se contente de r\u00e9organiser l’information g\u00e9om\u00e9trique existante au sein d’un nouvel hyperplan de dimension r\u00e9duite, sans s’interroger sur la gen\u00e8se causale des intercorr\u00e9lations observ\u00e9es.<\/p>\n
\u00c0 l’inverse, l’Analyse en facteurs communs s’enracine dans la th\u00e9orie des variables latentes et proc\u00e8de d’un mod\u00e8le de mesure causale r\u00e9flexif. Elle part de l’hypoth\u00e8se ontologique selon laquelle les covariations et corr\u00e9lations syst\u00e9matiques observ\u00e9es entre des variables manifestes sont enti\u00e8rement engendr\u00e9es par un ensemble restreint de construits th\u00e9oriques non observables, d\u00e9sign\u00e9s sous le terme de facteurs communs. D\u00e8s lors, le mod\u00e8le factoriel ne cherche pas \u00e0 r\u00e9sumer les variables observ\u00e9es, mais \u00e0 expliciter la structure g\u00e9n\u00e9ratrice sous-jacente qui rend compte de leurs associations mutuelles. Dans l’AFC, les variables manifestes sont mod\u00e9lis\u00e9es comme les cons\u00e9quences ou les expressions ph\u00e9nom\u00e9nologiques directes des facteurs latents, et non comme les constituants \u00e9l\u00e9mentaires d’un agr\u00e9gat math\u00e9matique.<\/p>\n
Cette divergence ontologique gouverne la fa\u00e7on dont les deux approches formalisent le lien entre observables et dimensions. Dans l’ACP, le flux math\u00e9matique va des variables manifestes vers la composante : c’est un mod\u00e8le composite ou formatif o\u00f9 la composante est une cons\u00e9quence fonctionnelle stricte de ses indicateurs pond\u00e9r\u00e9s. Dans l’AFC, le vecteur de causalit\u00e9 conceptuelle s’inverse rigoureusement : ce sont les facteurs sous-jacents qui influencent simultan\u00e9ment plusieurs indicateurs empiriques, la part de variance qui \u00e9chappe \u00e0 cette influence partag\u00e9e \u00e9tant imm\u00e9diatement rel\u00e9gu\u00e9e au rang de variance unique ou r\u00e9siduelle. Confondre ces deux orientations m\u00e9thodologiques \u00e9quivaut \u00e0 confondre un indice synth\u00e9tique de performance \u00e9conomique (agr\u00e9gat formatif) avec une propri\u00e9t\u00e9 psychologique inobservable telle que l’intelligence fluide ou le neuroticisme (construit latent r\u00e9flexif).<\/p>\n
La trajectoire historique de ces deux techniques explique pour une large part leur cohabitation ambigu\u00eb dans la litt\u00e9rature m\u00e9thodologique contemporaine. L’Analyse en composantes principales trouve son acte de naissance formel dans les travaux pionniers de Karl Pearson (1901)<\/a>, qui formula le probl\u00e8me en termes g\u00e9om\u00e9triques d’ajustement optimal d’un plan ou d’une droite dans un espace euclidien par la m\u00e9thode des moindres carr\u00e9s orthogonaux. Trois d\u00e9cennies plus tard, Harold Hotelling (1933)<\/a> formalisa cette m\u00e9thode dans le langage matriciel moderne de la d\u00e9composition spectrale des matrices de covariance, \u00e9tablissant de mani\u00e8re d\u00e9finitive l’ACP comme un outil alg\u00e9brique d’optimisation de la variance totale pour les sciences exactes et statistiques appliqu\u00e9es.<\/p>\n Parall\u00e8lement, l’Analyse en facteurs communs s’est constitu\u00e9e au sein du champ \u00e9mergent de la psychom\u00e9trie diff\u00e9rentielle, impuls\u00e9e de mani\u00e8re d\u00e9cisive par l’article inaugural de Charles Spearman (1904)<\/a> sur la th\u00e9orie g\u00e9n\u00e9rale de l’intelligence. Spearman postula que les corr\u00e9lations positives universellement observ\u00e9es entre les \u00e9preuves cognitives h\u00e9t\u00e9rog\u00e8nes r\u00e9sultaient de l’action d’une cause sous-jacente unique, le facteur g\u00e9n\u00e9ral d’intelligence ou facteur g<\/em>, compl\u00e9t\u00e9 par des facteurs sp\u00e9cifiques \u00e0 chaque \u00e9preuve. Cette formulation fut ult\u00e9rieurement enrichie et g\u00e9n\u00e9ralis\u00e9e par Louis Leon Thurstone (1935, 1947)<\/a> sous la forme du mod\u00e8le multifactoriel et de la th\u00e9orie de la structure simple, visant \u00e0 isoler plusieurs aptitudes primaires distinctes \u00e0 partir de matrices de corr\u00e9lations d\u00e9barrass\u00e9es de leur variance idiosyncrasique.<\/p>\n Le n\u0153ud gordien de la confusion contemporaine s’est nou\u00e9 lors de l’informatisation des calculs statistiques au cours de la seconde moiti\u00e9 du vingti\u00e8me si\u00e8cle. Les concepteurs de grands progiciels commerciaux tels que SPSS et SAS ont, pour des motifs essentiellement computationnels li\u00e9s \u00e0 la puissance de calcul restreinte des ordinateurs de l’\u00e9poque, int\u00e9gr\u00e9 l’Analyse en composantes principales comme m\u00e9thode d’extraction param\u00e9tr\u00e9e par d\u00e9faut sous l’intitul\u00e9 g\u00e9n\u00e9rique et trompeur d’\u00ab Analyse factorielle \u00bb (Factor Analysis<\/em>). En cons\u00e9quence, des g\u00e9n\u00e9rations d’\u00e9tudiants, d’ing\u00e9nieurs et de chercheurs universitaires ont cliqu\u00e9 sur le menu d’analyse factorielle pour ex\u00e9cuter, sans en ma\u00eetriser les fondements alg\u00e9briques, une d\u00e9composition en composantes principales. Ce glissement s\u00e9mantique a institutionnalis\u00e9 l’usage abusif de l’ACP pour valider des \u00e9chelles psychom\u00e9triques et th\u00e9oriser des construits latents, enracinant une d\u00e9viance m\u00e9thodologique que les statisticiens les plus rigoureux ne cessent de d\u00e9noncer.<\/p>\n L’arbitrage entre l’ACP et l’AFC ne saurait \u00eatre r\u00e9duit \u00e0 une simple pr\u00e9f\u00e9rence stylistique ou computationnelle : il engage directement la validit\u00e9 interne des inf\u00e9rences scientifiques. Sur le plan de l’interpr\u00e9tabilit\u00e9 th\u00e9orique, utiliser une ACP en pr\u00e9sence de donn\u00e9es fortement bruit\u00e9es revient \u00e0 int\u00e9grer ind\u00fbment l’erreur de mesure au sein m\u00eame de la d\u00e9finition des dimensions extraites. D\u00e8s lors que l’erreur de mesure al\u00e9atoire et les variances sp\u00e9cifiques sont agr\u00e9g\u00e9es dans les composantes, la signification substantielle des axes factoriels s’en trouve in\u00e9vitablement d\u00e9form\u00e9e, alt\u00e9rant l’identification empirique des construits th\u00e9oriques.<\/p>\n Sur le plan m\u00e9trique et quantitatif, les r\u00e9percussions d’un choix inappropri\u00e9 sont particuli\u00e8rement palpables au niveau des saturations factorielles (loadings<\/em>). L’Analyse en composantes principales g\u00e9n\u00e8re presque invariablement des estimations de saturation plus \u00e9lev\u00e9es que celles obtenues par l’Analyse en facteurs communs, cr\u00e9ant une illusion d’homog\u00e9n\u00e9it\u00e9 et de robustesse dimensionnelle artificielle. De surcro\u00eet, le calcul ult\u00e9rieur de scores individuels se heurte \u00e0 des propri\u00e9t\u00e9s distinctes : tandis que l’ACP offre des scores exacts et d\u00e9terministes qui refl\u00e8tent directement la distribution empirique des donn\u00e9es, l’AFC produit des scores factoriels intrins\u00e8quement ind\u00e9termin\u00e9s qui doivent \u00eatre approxim\u00e9s par des m\u00e9thodes probabilistes.<\/p>\n Enfin, l’\u00e9valuation de la fid\u00e9lit\u00e9 des mesures (notamment via l’estimation des coefficients de consistance interne comme l’alpha de Cronbach ou l’om\u00e9ga de McDonald) et la mise en \u0153uvre subs\u00e9quente d’analyses factorielles confirmatoires (AFC-C) ou de mod\u00e9lisations par \u00e9quations structurelles (SEM) exigent un alignement strict avec le paradigme des facteurs communs. Traiter des composantes principales comme des variables latentes dans un mod\u00e8le de r\u00e9gression structurelle entra\u00eene des biais de sous-estimation des erreurs standard et une surestimation des liens structurels en raison de l’omission d\u00e9lib\u00e9r\u00e9e de l’erreur d’\u00e9chantillonnage m\u00e9trique. Il appara\u00eet donc imp\u00e9ratif de calibrer la technique statistique sur l’ontologie des donn\u00e9es et sur les vis\u00e9es th\u00e9oriques de l’investigation.<\/p>\n D’un point de vue alg\u00e9brique, l’Analyse en composantes principales formalise la transformation lin\u00e9aire orthogonale d’un vecteur al\u00e9atoire de p<\/em> variables observ\u00e9es $X = [X_1, X_2, dots, X_p]^T$<\/span> en un nouveau vecteur de p<\/em> variables non corr\u00e9l\u00e9es $C = [C_1, C_2, dots, C_p]^T$<\/span>. L’objectif central est de maximiser successivement la variance de chaque nouvelle composante $C_j$<\/span>, sous la contrainte g\u00e9om\u00e9trique que le vecteur de pond\u00e9ration associ\u00e9 pr\u00e9sente une norme unitaire et demeure rigoureusement orthogonal aux vecteurs des composantes pr\u00e9c\u00e9dentes. Cette formulation se r\u00e9sout par la diagonalisation de la matrice de variance-covariance $\\Sigma$<\/span> ou de la matrice de corr\u00e9lation de Bravais-Pearson $R$<\/span> des variables initiales.<\/p>\n Le th\u00e9or\u00e8me de d\u00e9composition spectrale stipule que toute matrice sym\u00e9trique semi-d\u00e9finie positive, telle que la matrice de corr\u00e9lation $R$<\/span>, peut \u00eatre factoris\u00e9e de mani\u00e8re exacte selon l’\u00e9quation matricielle :<\/p>\n $$R = V \\Lambda V^T$$<\/span><\/p>\n Dans cette formalisation, $\\Lambda = operatorname{diag}(\\lambda_1, \\lambda_2, dots, \\lambda_p)$<\/span> repr\u00e9sente la matrice diagonale des valeurs propres ordonn\u00e9es de mani\u00e8re strictement d\u00e9croissante ($\\lambda_1 ge \\lambda_2 ge dots ge \\lambda_p ge 0$<\/span>), et $V$<\/span> d\u00e9signe la matrice orthogonale dont les colonnes sont constitu\u00e9es des vecteurs propres normalis\u00e9s $v_j$<\/span> associ\u00e9s \u00e0 chaque valeur propre ($V^T V = V V^T = I_p$<\/span>). Chaque valeur propre $\\lambda_j$<\/span> quantifie directement la quantit\u00e9 de variance absolue captur\u00e9e par la j<\/em>-i\u00e8me composante principale, la somme de ces valeurs propres \u00e9galant invariablement la trace de la matrice initiale ($operatorname{tr}(R) = p$<\/span> dans le cas d’une matrice standardis\u00e9e).<\/p>\n L’extraction s’op\u00e8re selon une hi\u00e9rarchie s\u00e9quentielle rigide. La premi\u00e8re composante principale, d\u00e9finie par $C_1 = v_1^T X$<\/span>, maximise la quantit\u00e9 $operatorname{Var}(C_1) = v_1^T R v_1 = \\lambda_1$<\/span>. La seconde composante maximise de mani\u00e8re analogue la variance r\u00e9siduelle sous condition de d\u00e9corr\u00e9lation stricte avec la premi\u00e8re ($operatorname{Cov}(C_1, C_2) = 0$<\/span>), et ainsi de suite jusqu’\u00e0 la p<\/em>-i\u00e8me composante. Cette g\u00e9om\u00e9trie garantit qu’aucune information n’est redondante au sein du nouvel espace vectoriel, assurant une orthogonalit\u00e9 parfaite des axes d’inertie principaux.<\/p>\n Le postulat op\u00e9ratoire distinctif de l’Analyse en composantes principales r\u00e9side dans son traitement monolithique de la variance. Contrairement aux mod\u00e8les psychom\u00e9triques qui scindent la dispersion des mesures en plusieurs entit\u00e9s th\u00e9oriques, l’ACP ne reconna\u00eet qu’une seule et unique forme de variabilit\u00e9 : la variance totale manifest\u00e9e. Dans la d\u00e9composition spectrale classique op\u00e9r\u00e9e sur une matrice de corr\u00e9lation standardis\u00e9e, la diagonale principale est exclusivement compos\u00e9e de valeurs unitaires (soit $r_{ii} = 1{,}00$<\/span> pour tout $i in {1, dots, p}$<\/span>). Cette configuration \u00e9quivaut math\u00e9matiquement \u00e0 poser l’hypoth\u00e8se a priori que 100 % de la variance de chaque indicateur observ\u00e9 est imm\u00e9diatement et enti\u00e8rement disponible pour \u00eatre mutualis\u00e9e et r\u00e9sum\u00e9e par les composantes.<\/p>\n En adoptant cette diagonale unitaire, l’ACP fusionne indistinctement trois composantes de la variance qui rel\u00e8vent pourtant de r\u00e9alit\u00e9s empiriques et statistiques fondamentalement h\u00e9t\u00e9rog\u00e8nes :<\/p>\n D\u00e8s lors que les communalit\u00e9s initiales sont d\u00e9cr\u00e9t\u00e9es arbitrairement \u00e9gales \u00e0 1,00, l’ACP fait l’hypoth\u00e8se implicite que les variables observ\u00e9es sont mesur\u00e9es avec une fid\u00e9lit\u00e9 parfaite, exempte de tout bruit al\u00e9atoire ($\\epsilon_i = 0$<\/span>). Cette propri\u00e9t\u00e9 d’indiscrimination implique que si un indicateur est lourdement affect\u00e9 par une erreur de mesure non syst\u00e9matique, celle-ci ne sera nullement filtr\u00e9e ni isol\u00e9e : elle se retrouvera m\u00e9caniquement projet\u00e9e dans l’espace factoriel et viendra gonfler de fa\u00e7on fallacieuse la variance associ\u00e9e aux premi\u00e8res composantes principales extraites.<\/p>\n L’un des avantages techniques les plus remarquables de l’Analyse en composantes principales r\u00e9side dans le caract\u00e8re d\u00e9terministe et parfaitement univoque de ses composantes. \u00c9tant donn\u00e9 que la transformation repose sur un syst\u00e8me lin\u00e9aire ferm\u00e9 et compl\u00e8tement sp\u00e9cifi\u00e9 par les vecteurs propres de la matrice analys\u00e9e, chaque composante principale peut \u00eatre directement calcul\u00e9e pour tout individu k<\/em> sous la forme d’un produit scalaire direct :<\/p>\n $$C_{kj} = \\sum_{i=1}^p w_{ij} Z_{ki}$$<\/span><\/p>\n o\u00f9 $Z_{ki}$<\/span> repr\u00e9sente la valeur standardis\u00e9e de l’individu k<\/em> sur la variable i<\/em>, et $w_{ij}$<\/span> d\u00e9signe le poids factoriel de composante (qui co\u00efncide avec les coordonn\u00e9es du vecteur propre divis\u00e9es par la racine carr\u00e9e de la valeur propre pour obtenir des scores standardis\u00e9s). En raison de cette liaison fonctionnelle lin\u00e9aire directe entre les variables d’entr\u00e9e et les dimensions de sortie, l’ACP ne souffre d’aucune ambigu\u00eft\u00e9 computationnelle. Il n’existe pas d’ind\u00e9termination des composantes : \u00e0 chaque matrice de donn\u00e9es correspond un et un seul jeu de scores de composantes exactement reproductible d’un logiciel \u00e0 l’autre.<\/p>\n Cette propri\u00e9t\u00e9 de d\u00e9terminisme s’articule directement avec le c\u00e9l\u00e8bre th\u00e9or\u00e8me d’Eckart-Young-Mirsky (1936), qui \u00e9tablit que l’ACP fournit l’approximation de rang m<\/em> ($m < p$<\/span>) optimale d’une matrice de donn\u00e9es rectangulaire au sens de la norme de Frobenius. En d’autres termes, si l’on cherche \u00e0 projeter un nuage de points de dimension p<\/em> sur un sous-espace de dimension m<\/em> en minimisant la somme des distances euclidiennes au carr\u00e9 entre les points d’origine et leurs projections, les m<\/em> premi\u00e8res composantes principales constituent la solution math\u00e9matiquement imbattable. Cette efficacit\u00e9 g\u00e9om\u00e9trique fait de l’ACP l’outil supr\u00eame de compression d’information, particuli\u00e8rement adapt\u00e9 au traitement d’images, au stockage parcimonieux de donn\u00e9es massives ou \u00e0 la neutralisation de la multicolin\u00e9arit\u00e9 en apprentissage statistique supervis\u00e9.<\/p>\n \u00c0 l’oppos\u00e9 de la d\u00e9marche projective de l’ACP, l’Analyse en facteurs communs prend pour point de d\u00e9part th\u00e9orique un mod\u00e8le statistique g\u00e9n\u00e9ratif. Ce paradigme postule que les corr\u00e9lations empiriques observ\u00e9es entre p<\/em> variables manifestes $X_1, X_2, dots, X_p$<\/span> sont enti\u00e8rement r\u00e9gies et m\u00e9diatis\u00e9es par un nombre restreint de m<\/em> variables inobservables ($m ll p$<\/span>), qualifi\u00e9es de facteurs communs, not\u00e9es $F = [F_1, F_2, dots, F_m]^T$<\/span>. Dans cette architecture, les variables manifestes ne sont pas agr\u00e9g\u00e9es pour cr\u00e9er une dimension, elles sont au contraire subordonn\u00e9es \u00e0 l’influence causale directe des facteurs latents. L’\u00e9quation fondamentale du mod\u00e8le d’analyse factorielle commune s’\u00e9nonce pour chaque variable standardis\u00e9e $Z_i$<\/span> de la mani\u00e8re suivante :<\/p>\n $$Z_i = \\lambda_{i1} F_1 + \\lambda_{i2} F_2 + dots + \\lambda_{im} F_m + u_i$$<\/span><\/p>\n o\u00f9 $\\lambda_{ij}$<\/span> d\u00e9signe la saturation factorielle (factor loading<\/em>) reliant la variable manifeste i<\/em> au facteur commun j<\/em>, et $u_i$<\/span> repr\u00e9sente le facteur unique propre \u00e0 la variable $Z_i$<\/span>. Ce facteur unique capture l’ensemble de la dispersion qui n’est pas lin\u00e9airement partag\u00e9e avec les autres variables du mod\u00e8le.<\/p>\n Sous sa forme matricielle compacte, le mod\u00e8le factoriel s’exprime par la relation $Z = Lambda F + U$<\/span>, o\u00f9 $Lambda$<\/span> est la matrice rectangulaire ($p \\times m$<\/span>) des saturations, $F$<\/span> est le vecteur ($m \\times 1$<\/span>) des facteurs communs, et $U$<\/span> est le vecteur ($p \\times 1$<\/span>) des perturbations uniques. Les hypoth\u00e8ses classiques du mod\u00e8le orthogonal stipulent que les facteurs communs sont centr\u00e9s et r\u00e9duits ($\\mathbb{E}[F] = 0$<\/span>, $operatorname{Cov}(F) = I_m$<\/span>), que les facteurs uniques sont non corr\u00e9l\u00e9s entre eux ($operatorname{Cov}(U) = \\Psi$<\/span>, o\u00f9 $Psi$<\/span> est une matrice purement diagonale de dimensions $p \\times p$<\/span>), et que les facteurs communs sont strictement ind\u00e9pendants des facteurs uniques ($operatorname{Cov}(F, U) = 0$<\/span>).<\/p>\n Ces conditions axiomatiques entra\u00eenent une cons\u00e9quence capitale sur la structure th\u00e9orique de la matrice de covariance de la population, not\u00e9e $\\Sigma$<\/span>. En vertu de la lin\u00e9arit\u00e9 du mod\u00e8le, cette matrice se d\u00e9compose de fa\u00e7on exacte selon l’identit\u00e9 fondamentale de l’analyse factorielle commune :<\/p>\n $$\\Sigma = \\Lambda \\Phi \\Lambda^T + \\Psi$$<\/span><\/p>\n Dans le cas d’un mod\u00e8le orthogonal o\u00f9 $\\Phi = I_m$<\/span>, cette d\u00e9composition devient $\\Sigma = \\Lambda \\Lambda^T + \\Psi$<\/span>. Cette \u00e9quation traduit l’hypoth\u00e8se d’ind\u00e9pendance locale formul\u00e9e par Lazarsfeld : une fois contr\u00f4l\u00e9 l’impact direct des facteurs communs $\\Lambda \\Phi \\Lambda^T$<\/span>, les corr\u00e9lations r\u00e9siduelles entre les variables manifestes s’annulent rigoureusement, ne laissant subsister sur la diagonale que les variances r\u00e9siduelles uniques mod\u00e9lis\u00e9es par la matrice $Psi$<\/span>.<\/p>\n La puissance conceptuelle de l’Analyse en facteurs communs r\u00e9side dans sa d\u00e9composition tripartite explicite de la variance totale de chaque variable mesur\u00e9e. Si la variance standardis\u00e9e d’une variable observ\u00e9e est fix\u00e9e \u00e0 1,00, elle se scinde rigoureusement en deux grands blocs compl\u00e9mentaires :<\/p>\n $$operatorname{Var}(Z_i) = 1{,}00 = h_i^2 + u_i^2$$<\/span><\/p>\n Le terme $h_i^2$<\/span> d\u00e9signe la communalit\u00e9<\/strong> (communality<\/em>) de la variable i<\/em>. Elle repr\u00e9sente la proportion de variance totale de cette variable qui est effectivement expliqu\u00e9e par l’ensemble des m<\/em> facteurs communs extraits ($h_i^2 = \\sum_{j=1}^m \\lambda_{ij}^2$<\/span> dans le cadre orthogonal). Plus la communalit\u00e9 d’un indicateur approche de 1,00, plus cet indicateur constitue un t\u00e9moin pur et hautement discriminant de l’espace factoriel sous-jacent.<\/p>\n \u00c0 l’oppos\u00e9, le terme $u_i^2$<\/span> mesure l’unicit\u00e9<\/strong> (uniqueness<\/em>) de la variable. Loin de constituer un bloc monolithique, cette unicit\u00e9 se subdivise elle-m\u00eame en deux composantes th\u00e9oriques fondamentales mais inobservables s\u00e9par\u00e9ment sans mesures r\u00e9p\u00e9t\u00e9es :<\/p>\n $$u_i^2 = s_i^2 + e_i^2$$<\/span><\/p>\n o\u00f9 $s_i^2$<\/span> repr\u00e9sente la sp\u00e9cificit\u00e9<\/em> de l’indicateur (la variance syst\u00e9matique, stable mais strictement cantonn\u00e9e \u00e0 cet item particulier, ne covariant avec aucun autre item de l’instrument), et $e_i^2$<\/span> d\u00e9signe la variance d’erreur al\u00e9atoire<\/em> (le bruit m\u00e9trique non reproductible). En retranchant l’unicit\u00e9 de la matrice analys\u00e9e, l’AFC r\u00e9ussit l’exploit d’isoler le bruit al\u00e9atoire et la sp\u00e9cificit\u00e9 pour ne factoriser que le c\u0153ur covariant des indicateurs.<\/p>\n Cette distinction th\u00e9orique dicte la modification math\u00e9matique essentielle op\u00e9r\u00e9e par l’AFC sur la matrice de corr\u00e9lation. Au lieu de soumettre \u00e0 l’extraction la matrice de corr\u00e9lation brute $R$<\/span> dot\u00e9e d’une diagonale unitaire, l’AFC soumet \u00e0 l’analyse la matrice de corr\u00e9lation r\u00e9duite<\/strong>, traditionnellement not\u00e9e $R_r$<\/span> :<\/p>\n $$R_r = R – \\Psi = R – operatorname{diag}(u_1^2, u_2^2, dots, u_p^2)$$<\/span><\/p>\n Dans cette matrice r\u00e9duite, les \u00e9l\u00e9ments diagonaux $1{,}00$<\/span> sont syst\u00e9matiquement remplac\u00e9s par les communalit\u00e9s estim\u00e9es $h_i^2$<\/span>. \u00c9tant donn\u00e9 que les vraies communalit\u00e9s sont inconnues avant l’extraction des facteurs, l’AFC met en \u0153uvre des proc\u00e9dures it\u00e9ratives d’estimation. L’amorce classique la plus robuste consiste \u00e0 substituer sur la diagonale le carr\u00e9 du coefficient de corr\u00e9lation multiple (SMC, pour Squared Multiple Correlation<\/em>) de chaque variable r\u00e9gress\u00e9e sur l’ensemble des $p-1$<\/span> autres variables de la matrice, fournissant ainsi une borne inf\u00e9rieure reconnue pour l’estimation de la communalit\u00e9 initiale.<\/p>\n L’estimation des param\u00e8tres de l’Analyse en facteurs communs ne peut pas s’effectuer par une simple diagonalisation directe en une seule passe, comme c’est le cas pour l’ACP. Elle n\u00e9cessite l’usage d’algorithmes it\u00e9ratifs complexes destin\u00e9s \u00e0 converger vers une matrice $\\hat{\\Lambda}$<\/span> et une matrice diagonale $\\hat{\\Psi}$<\/span> qui minimisent l’\u00e9cart entre la matrice empirique observ\u00e9e $S$<\/span> (ou $R$<\/span>) et la matrice th\u00e9orique reconstitu\u00e9e $\\hat{\\Sigma} = \\hat{\\Lambda} \\hat{\\Lambda}^T + \\hat{\\Psi}$<\/span>. Trois grandes familles d’estimation dominent la pratique contemporaine :<\/p>\n1.3 Enjeux m\u00e9thodologiques du choix d’analyse<\/h3>\n
2. L’Analyse en composantes principales (ACP) : R\u00e9duction optimale de dimension<\/h2>\n
2.1 Fondements math\u00e9matiques et d\u00e9composition spectrale<\/h3>\n
2.2 Gestion int\u00e9grale de la variance totale<\/h3>\n
\n
2.3 Propri\u00e9t\u00e9s d\u00e9termin\u00e9es et calcul exact des scores<\/h3>\n
3. L’Analyse en facteurs communs : Mod\u00e9lisation des variables latentes<\/h2>\n
3.1 Postulat du mod\u00e8le factoriel et \u00e9quation fondamentale<\/h3>\n
3.2 Partition de la variance : commune, sp\u00e9cifique et d’erreur<\/h3>\n
3.3 M\u00e9thodes d’estimation et probl\u00e8me de l’ind\u00e9termination<\/h3>\n
\n