{"id":25800,"date":"2026-11-08T15:54:53","date_gmt":"2026-11-08T15:54:53","guid":{"rendered":"https:\/\/french.arabpsychology.com\/?psych_comparison=modele-panel-retards-croises-vs-courbe-croissance-latente"},"modified":"2026-11-08T15:54:53","modified_gmt":"2026-11-08T15:54:53","slug":"modele-panel-retards-croises-vs-courbe-croissance-latente","status":"publish","type":"psych_comparison","link":"https:\/\/french.arabpsychology.com\/?psych_comparison=modele-panel-retards-croises-vs-courbe-croissance-latente","title":{"rendered":"Mod\u00e8le de panel \u00e0 retards crois\u00e9s vs. Mod\u00e8le de courbe de croissance latente"},"content":{"rendered":"

Dans l’arsenal des sciences sociales, comportementales, biom\u00e9dicales et \u00e9conomiques contemporaines, la mod\u00e9lisation statistique de donn\u00e9es r\u00e9p\u00e9t\u00e9es dans le temps constitue un imp\u00e9ratif m\u00e9thodologique pour quiconque cherche \u00e0 d\u00e9passer les corr\u00e9lations synchrones illusoires. L’investigation de ph\u00e9nom\u00e8nes complexes \u2014 qu’il s’agisse du d\u00e9veloppement cognitif de l’enfant, de l’\u00e9rosion progressive des ressources de sant\u00e9 mentale en contexte d’adversit\u00e9 sociale, des interactions r\u00e9ciproques entre attitudes politiques et consommation m\u00e9diatique, ou de la dynamique unissant l’investissement en recherche et d\u00e9veloppement et la rentabilit\u00e9 financi\u00e8re des firmes \u2014 requiert des outils capables de diss\u00e9quer le flux temporel. Deux grands paradigmes issus de la mod\u00e9lisation par \u00e9quations structurelles (Structural Equation Modeling ou SEM<\/a>) dominent cette sc\u00e8ne analytique : le mod\u00e8le de panel \u00e0 retards crois\u00e9s (Cross-Lagged Panel Model, CLPM) et le mod\u00e8le de courbe de croissance latente (Latent Growth Curve Model, LGCM).<\/p>\n

Bien que ces deux architectures m\u00e9thodologiques soient fr\u00e9quemment appliqu\u00e9es aux m\u00eames types de jeux de donn\u00e9es \u2014 \u00e0 savoir des cohortes ou des panels d’individus suivis sur plusieurs vagues de mesure successives \u2014, elles reposent sur des postulats statistiques fondamentalement divergents et r\u00e9pondent \u00e0 des interrogations th\u00e9oriques distinctes. Le CLPM interroge avant tout la dynamique relationnelle s\u00e9quentielle, cherchant \u00e0 d\u00e9terminer dans quelle mesure une variable $X$<\/span> \u00e0 un temps donn\u00e9 pr\u00e9dit une variable $Y$<\/span> \u00e0 un temps ult\u00e9rieur au-del\u00e0 de sa propre persistance temporelle. En miroir, le LGCM s’int\u00e9resse \u00e0 la forme morphologique du changement, conceptualisant le temps non pas simplement comme un \u00e9cart discret entre deux vagues d’observation, mais comme une dimension continue sous-jacente le long de laquelle les individus tracent des trajectoires d\u00e9veloppementales h\u00e9t\u00e9rog\u00e8nes, caract\u00e9ris\u00e9es par un niveau de d\u00e9part et un rythme d’\u00e9volution syst\u00e9matique.<\/p>\n

Cette divergence fondamentale de posture entra\u00eene une responsabilit\u00e9 th\u00e9orique majeure pour le chercheur quantitatif. Choisir entre un mod\u00e8le \u00e0 retards crois\u00e9s et un mod\u00e8le de courbe de croissance latente ne rel\u00e8ve pas d’une pr\u00e9f\u00e9rence cosm\u00e9tique d’ajustement ou d’une commodit\u00e9 computationnelle. Un tel choix engage une conception explicite de la nature des processus \u00e9tudi\u00e9s : s’agit-il d’un syst\u00e8me dynamique en \u00e9quilibre instable ou hom\u00e9ostatique, mu par des influences r\u00e9ciproques oscillant au fil des vagues de mesure, ou s’agit-il d’un processus continu de maturation, de s\u00e9nescence, d’apprentissage ou de progression cumulative caract\u00e9ris\u00e9 par une trajectoire sous-jacente ? L’examen exhaustif de ces paradigmes s’impose pour \u00e9viter les \u00e9cueils de confusion m\u00e9thodologique, les biais d’interpr\u00e9tation causale et les incoh\u00e9rences m\u00e9tath\u00e9oriques qui continuent d’\u00e9mailler la litt\u00e9rature empirique.<\/p>\n

1. Introduction aux mod\u00e8les longitudinaux structurels<\/h2>\n

1.1 D\u00e9finition et gen\u00e8se m\u00e9thodologique des deux approches<\/h3>\n

L’histoire de la m\u00e9thodologie quantitative est jalonn\u00e9e de tentatives visant \u00e0 concilier l’observation non exp\u00e9rimentale avec l’inf\u00e9rence causale. Le mod\u00e8le de panel \u00e0 retards crois\u00e9s plonge ses racines historiques dans les travaux pionniers de g\u00e9n\u00e9ticiens et d’\u00e9conomistes sur l’analyse de pistes (path analysis) initi\u00e9e par Sewall Wright, avant d’\u00eatre transpos\u00e9 et formalis\u00e9 en psychologie et en sociologie par Donald T. Campbell et David A. Kenny au cours des ann\u00e9es 1960 et 1970. \u00c0 l’origine, la corr\u00e9lation \u00e0 retards crois\u00e9s (cross-lagged panel correlation, CLPC) visait \u00e0 d\u00e9terminer la pr\u00e9dominance causale entre deux variables en comparant simplement la force des corr\u00e9lations bivari\u00e9es d\u00e9cal\u00e9es dans le temps. Confront\u00e9e \u00e0 de s\u00e9v\u00e8res critiques quant \u00e0 son incapacit\u00e9 \u00e0 contr\u00f4ler la stabilit\u00e9 des construits et les covariations synchrones, cette technique empirique primitive a \u00e9t\u00e9 int\u00e9gr\u00e9e et refondue dans le formalisme des \u00e9quations structurelles au cours des d\u00e9cennies suivantes, donnant naissance au Cross-Lagged Panel Model (CLPM) standard, tel que document\u00e9 de mani\u00e8re canonique par David A. Kenny et Kenneth A. Bollen.<\/p>\n

Parall\u00e8lement, la mod\u00e9lisation des courbes de croissance latente a \u00e9merg\u00e9 au croisement de la psychom\u00e9trie factorielle et de la biom\u00e9trie des mod\u00e8les \u00e0 effets mixtes. Les fondements math\u00e9matiques du LGCM ont \u00e9t\u00e9 pos\u00e9s par Ledyard R Tucker dans les ann\u00e9es 1950, puis rigoureusement syst\u00e9matis\u00e9s sous l’angle factoriel par William Meredith et John Tisak \u00e0 la fin des ann\u00e9es 1980 et popularis\u00e9s par John J. McArdle. Contrairement aux approches par analyse de variance \u00e0 mesures r\u00e9p\u00e9t\u00e9es (ANOVA) ou aux mod\u00e8les de r\u00e9gression multivari\u00e9e classiques, le LGCM traite les mesures r\u00e9p\u00e9t\u00e9es d’un m\u00eame attribut au fil du temps comme les indicateurs manifestes de facteurs latents continus non observ\u00e9s, capturant typiquement l’ordonn\u00e9e \u00e0 l’origine (le niveau initial ou intercept<\/em>) et le taux de variation syst\u00e9matique (la pente ou slope<\/em>). Cette formulation a permis de faire converger les mod\u00e8les hi\u00e9rarchiques lin\u00e9aires (HLM) et l’analyse factorielle confirmatoire au sein d’un formalisme unique et flexible.<\/p>\n

Dans l’analyse contemporaine des donn\u00e9es de panel, ces deux approches occupent des territoires \u00e9pist\u00e9mologiques compl\u00e9mentaires mais radicalement s\u00e9par\u00e9s. Le CLPM op\u00e8re principalement au niveau des \u00e9tats discrets successifs, structur\u00e9 autour d’\u00e9quations de r\u00e9gressions simultan\u00e9es reliant les temps $t$<\/span> aux temps $t-1$<\/span>. Le LGCM, quant \u00e0 lui, op\u00e8re au niveau de la forme globale du d\u00e9veloppement individuel, ramenant la multiplicit\u00e9 des observations r\u00e9p\u00e9t\u00e9es \u00e0 une poign\u00e9e de param\u00e8tres de trajectoire distribu\u00e9s au sein de la population. L’\u00e9volution de ces m\u00e9thodologies refl\u00e8te ainsi deux visions contrast\u00e9es de l’analyse temporelle : l’une discr\u00e8te et ax\u00e9e sur l’impact de chocs ou d’influences transactionnelles, l’autre globale et orient\u00e9e vers la dynamique structur\u00e9e d’un cours de vie ou d’une maturation syst\u00e9mique.<\/p>\n

1.2 Pourquoi comparer et distinguer le CLPM et le LGCM ?<\/h3>\n

La confusion entre le CLPM et le LGCM est un ph\u00e9nom\u00e8ne r\u00e9current dans la pratique de la recherche empirique. Cette m\u00e9prise tire son origine d’une caract\u00e9ristique externe commune : les deux mod\u00e8les s’appliquent fr\u00e9quemment \u00e0 une structure de donn\u00e9es strictement identique, \u00e0 savoir un panel longitudinal compos\u00e9 de $N$<\/span> individus mesur\u00e9s sur $T$<\/span> vagues temporelles \u00e0 l’\u00e9gard de deux ou plusieurs variables continues. Face \u00e0 un fichier de donn\u00e9es rectangulaire contenant, par exemple, des scores d’anxi\u00e9t\u00e9 et de performance acad\u00e9mique recueillis annuellement du coll\u00e8ge au lyc\u00e9e, l’analyste se trouve confront\u00e9 \u00e0 une bifurcation m\u00e9thodologique. En l’absence d’une clarification \u00e9pist\u00e9mologique pr\u00e9alable, le choix de la m\u00e9thode est trop souvent dict\u00e9 par des habitudes disciplinaires, la ma\u00eetrise d’un logiciel sp\u00e9cifique ou la qu\u00eate opportuniste d’un indice d’ajustement favorable.<\/p>\n

Pourtant, la divergence entre ces approches ne se situe pas au niveau de la forme des donn\u00e9es en entr\u00e9e, mais au niveau fondamental des questions de recherche auxquelles elles sont capables de r\u00e9pondre. Interroger des donn\u00e9es via un CLPM revient \u00e0 poser la question suivante : \u00ab Si un individu pr\u00e9sente un niveau de d\u00e9tresse psychologique sup\u00e9rieur \u00e0 la moyenne au temps $t$<\/span>, cela pr\u00e9dit-il une baisse de son engagement social au temps $t+1$<\/span>, une fois neutralis\u00e9e la stabilit\u00e9 de son engagement social ant\u00e9rieur et la covariance contemporaine des deux construits ? \u00bb \u00c0 l’inverse, interroger ces m\u00eames donn\u00e9es via un LGCM bivari\u00e9 revient \u00e0 formuler une interrogation tout autre : \u00ab Les individus qui d\u00e9butent avec un niveau de d\u00e9tresse psychologique plus \u00e9lev\u00e9 connaissent-ils un taux de d\u00e9sengagement social plus rapide au fil des ann\u00e9es, et observe-t-on une corr\u00e9lation g\u00e9n\u00e9rale entre le rythme de progression de la d\u00e9tresse et le rythme de d\u00e9t\u00e9rioration de l’engagement social ? \u00bb<\/p>\n

Les cons\u00e9quences d’une mauvaise assignation m\u00e9thodologique sont s\u00e9v\u00e8res. L’application d’un CLPM \u00e0 un ph\u00e9nom\u00e8ne domin\u00e9 par une croissance d\u00e9veloppementale monotone engendre presque in\u00e9vitablement des artefacts statistiques, tels que des effets autor\u00e9gressifs gonfl\u00e9s artificiellement ou des coefficients crois\u00e9s instables qui ne refl\u00e8tent que la tendance commune sous-jacente. R\u00e9ciproquement, contraindre des processus transactionnels oscillatoires, sans directionnalit\u00e9 globale de croissance, dans le carcan d’un LGCM lin\u00e9aire aboutit \u00e0 des variances de pente nulles ou \u00e0 des distorsions r\u00e9siduelles massives. La comparaison analytique fine de ces deux mod\u00e8les s’av\u00e8re donc indispensable pour pr\u00e9munir les chercheurs contre des erreurs d’inf\u00e9rence substantielles pouvant fausser les conclusions th\u00e9oriques et les recommandations pratiques qui en d\u00e9coulent.<\/p>\n

1.3 Enjeux conceptuels : causalit\u00e9 r\u00e9ciproque versus trajectoires temporelles<\/h3>\n

Au c\u0153ur de la confrontation entre le CLPM et le LGCM r\u00e9side une distinction conceptuelle fondamentale entre l’\u00e9valuation d’influences directionnelles r\u00e9ciproques et la description de trajectoires d’\u00e9volution syst\u00e9matique. L’\u00e9valuation de la causalit\u00e9 non exp\u00e9rimentale en sciences sociales s’appuie largement sur le crit\u00e8re de pr\u00e9c\u00e9dence temporelle d\u00e9fini par Granger : pour qu’une variable $X$<\/span> puisse \u00eatre consid\u00e9r\u00e9e comme une cause potentielle d’une variable $Y$<\/span>, la variation de $X$<\/span> doit pr\u00e9c\u00e9der dans le temps celle de $Y$<\/span>, et cet effet doit subsister apr\u00e8s avoir contr\u00f4l\u00e9 les r\u00e9alisations pass\u00e9es de $Y$<\/span>. Le CLPM est l’incarnation par excellence de cette logique de pr\u00e9diction s\u00e9quentielle prospective. Il permet de tester des dynamiques de circularit\u00e9 ou de renforcement mutuel, o\u00f9 deux entit\u00e9s th\u00e9oriques s’influencent alternativement ou simultan\u00e9ment d’une vague d’\u00e9valuation \u00e0 la suivante.<\/p>\n

\u00c0 l’oppos\u00e9, le paradigme des trajectoires temporelles sous-tendu par le LGCM conceptualise l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 individuelle non pas comme une s\u00e9rie de d\u00e9viations ponctuelles r\u00e9actives, mais comme l’expression de profils de d\u00e9veloppement continus. Ce cadre analytique d\u00e9compose la variance totale observ\u00e9e en deux niveaux fondamentaux : la variabilit\u00e9 intra-individuelle au fil du temps (le fait qu’un sujet change par rapport \u00e0 lui-m\u00eame selon une fonction temporelle d\u00e9finie) et l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interindividuelle dans ces sch\u00e9mas de changement (le fait que diff\u00e9rents sujets poss\u00e8dent des valeurs initiales et des vitesses d’\u00e9volution distinctes). Dans ce mod\u00e8le, le temps n’agit pas comme un simple g\u00e9n\u00e9rateur de retards s\u00e9quentiels, mais comme un axe ontologique structurant sur lequel s’inscrivent la maturation biologique, l’apprentissage cumulatif, l’adaptation ou le vieillissement.<\/p>\n

Il en r\u00e9sulte une imp\u00e9rieuse n\u00e9cessit\u00e9 d’aligner le cadre th\u00e9orique substantif avec les postulats du mod\u00e8le statistique retenu. Un cadre th\u00e9orique postulera parfois un ph\u00e9nom\u00e8ne hom\u00e9ostatique r\u00e9gul\u00e9 par r\u00e9troaction n\u00e9gative ou des dynamiques d’action-r\u00e9action \u00e0 court terme (par exemple, la relation entre stress quotidien et qualit\u00e9 du sommeil). En pareille circonstance, mod\u00e9liser une trajectoire de croissance globale via un LGCM n’a aucun sens th\u00e9orique substantiel. Inversement, face \u00e0 des processus caract\u00e9ris\u00e9s par une accumulation syst\u00e9matique de capital humain, une neurod\u00e9g\u00e9n\u00e9rescence progressive ou l’acquisition de comp\u00e9tences linguistiques, imposer un mod\u00e8le \u00e0 retards crois\u00e9s \u00e9quivaut \u00e0 d\u00e9couper arbitrairement une trajectoire continue en une s\u00e9rie de r\u00e9gressions locales disjointes, occultant la dynamique macroscopique du ph\u00e9nom\u00e8ne sous une surabondance de param\u00e8tres autor\u00e9gressifs locaux.<\/p>\n

2. Fondements et caract\u00e9ristiques du mod\u00e8le de panel \u00e0 retards crois\u00e9s (CLPM)<\/h2>\n

2.1 Architecture conceptuelle : autor\u00e9gressions et effets crois\u00e9s d\u00e9cal\u00e9s<\/h3>\n

L’architecture fondamentale du mod\u00e8le de panel \u00e0 retards crois\u00e9s standard repose sur la sp\u00e9cification conjointe de trois ensembles distincts de param\u00e8tres structuraux reliant les variables observ\u00e9es mesur\u00e9es \u00e0 plusieurs reprises. Consid\u00e9rons un syst\u00e8me bivari\u00e9 canonique impliquant deux variables, $X$<\/span> et $Y$<\/span>, observ\u00e9es \u00e0 travers $T$<\/span> vagues successives ($t = 1, 2, dots, T$<\/span>) aupr\u00e8s d’un \u00e9chantillon d’individus. Pour toute vague $t ge 2$<\/span>, chaque variable est r\u00e9gress\u00e9e simultan\u00e9ment sur sa propre valeur \u00e0 la vague pr\u00e9c\u00e9dente ($t-1$<\/span>) ainsi que sur la valeur de l’autre variable au temps $t-1$<\/span>. Le mod\u00e8le s’exprime formellement par le syst\u00e8me d’\u00e9quations structurelles suivant :<\/p>\n

$$X_{it} = \\mu_{Xt} + \\beta_{Xt, X(t-1)} X_{i(t-1)} + \\beta_{Xt, Y(t-1)} Y_{i(t-1)} + \\epsilon_{Xit}$$<\/span><\/p>\n

$$Y_{it} = \\mu_{Yt} + \\beta_{Yt, Y(t-1)} Y_{i(t-1)} + \\beta_{Yt, X(t-1)} X_{i(t-1)} + \\epsilon_{Yit}$$<\/span><\/p>\n

Dans cette formulation math\u00e9matique rigoureuse, $\\mu_{Xt}$<\/span> et $\\mu_{Yt}$<\/span> repr\u00e9sentent les termes d’interception sp\u00e9cifiques au temps. Les param\u00e8tres $\\beta_{Xt, X(t-1)}$<\/span> et $\\beta_{Yt, Y(t-1)}$<\/span> d\u00e9signent les coefficients autor\u00e9gressifs. Ces derniers quantifient la stabilit\u00e9 temporelle ou l’inertie du construit \u00e0 travers les vagues de mesure. Plus la valeur de $\\beta$<\/span> se rapproche de l’unit\u00e9, plus le classement relatif des individus demeure rigide et pr\u00e9visible dans le temps, indiquant que les diff\u00e9rences interindividuelles observ\u00e9es au temps $t-1$<\/span> se maintiennent fid\u00e8lement au temps $t$<\/span>. Une valeur proche de z\u00e9ro signale au contraire une faible persistance du rang relatif des sujets, traduisant un ph\u00e9nom\u00e8ne hautement labile ou soumis \u00e0 d’importantes fluctuations non pr\u00e9dictibles par l’\u00e9tat imm\u00e9diatement ant\u00e9rieur.<\/p>\n

Les param\u00e8tres $\\beta_{Yt, X(t-1)}$<\/span> et $\\beta_{Xt, Y(t-1)}$<\/span> incarnent les coefficients crois\u00e9s d\u00e9cal\u00e9s (cross-lagged paths), qui constituent le c\u0153ur analytique de l’approche. Le param\u00e8tre $\\beta_{Yt, X(t-1)}$<\/span> \u00e9value la capacit\u00e9 prospective de la variable $X$<\/span> mesur\u00e9e au temps $t-1$<\/span> \u00e0 pr\u00e9dire le niveau de la variable $Y$<\/span> au temps $t$<\/span>, au-del\u00e0 de la stabilit\u00e9 intrins\u00e8que de $Y$<\/span> captur\u00e9e par son propre chemin autor\u00e9gressif. Cette estimation conditionnelle permet de d\u00e9terminer si $X$<\/span> exerce une influence prospective sur $Y$<\/span>, tout en \u00e9valuant simultan\u00e9ment le chemin inverse ($\\beta_{Xt, Y(t-1)}$<\/span>) attestant de l’impact prospectif de $Y$<\/span> sur $X$<\/span>. Enfin, les termes r\u00e9siduels $\\epsilon_{Xit}$<\/span> et $\\epsilon_{Yit}$<\/span> repr\u00e9sentent les erreurs de pr\u00e9diction sp\u00e9cifiques au temps, capturant les influences non mod\u00e9lis\u00e9es intervenues entre les deux temps d’observation. L’architecture du CLPM autorise la corr\u00e9lation synchrone contemporaine entre ces r\u00e9sidus, not\u00e9e conventionnellement $\\psi_{XYt} = \\text{Cov}(\\epsilon_{Xit}, \\epsilon_{Yit})$<\/span>, ce qui permet de neutraliser les chocs environnementaux ou m\u00e9thodologiques partag\u00e9s qui affectent conjointement les deux variables au moment exact de la collecte sans biais d’ant\u00e9riorit\u00e9 temporelle.<\/p>\n

2.2 Hypoth\u00e8ses sous-jacentes et mod\u00e9lisation de la temporalit\u00e9<\/h3>\n

L’estimation et l’interpr\u00e9tation valides d’un CLPM d\u00e9pendent \u00e9troitement du respect d’hypoth\u00e8ses statistiques et th\u00e9oriques fondamentales. Au premier rang de ces postulats figure l’hypoth\u00e8se de stationnarit\u00e9 du syst\u00e8me dynamique. La stationnarit\u00e9 implique que les m\u00e9canismes g\u00e9n\u00e9rateurs de donn\u00e9es et la force des relations structurelles demeurent invariants \u00e0 travers les diff\u00e9rentes vagues du panel. Dans la pratique du SEM, cette propri\u00e9t\u00e9 est g\u00e9n\u00e9ralement op\u00e9rationnalis\u00e9e en contraignant \u00e0 l’\u00e9galit\u00e9 temporelle les coefficients autor\u00e9gressifs ($\\beta_{Xt, X(t-1)} = \\beta_X$<\/span>) ainsi que les coefficients crois\u00e9s ($\\beta_{Yt, X(t-1)} = \\beta_{Y \\leftarrow X}$<\/span>) pour tout intervalle d’\u00e9gale dur\u00e9e. Si cette contrainte d’invariance temporelle des param\u00e8tres am\u00e9liore la parcimonie du mod\u00e8le et la puissance statistique des tests, elle repose sur l’hypoth\u00e8se th\u00e9orique lourde que la dynamique transactionnelle sous-jacente ne subit aucune alt\u00e9ration qualitative au fil de l’\u00e2ge des sujets ou du contexte historique.<\/p>\n

Un deuxi\u00e8me facteur critique r\u00e9side dans l’intervalle temporel choisi entre les vagues successives d’observation ($\\Delta t$<\/span>). Le CLPM postule implicitement que la v\u00e9ritable latence causale du processus \u00e9tudi\u00e9 co\u00efncide de mani\u00e8re ad\u00e9quate avec l’espacement temporel arbitrairement impos\u00e9 par le calendrier de collecte des donn\u00e9es. Si une influence crois\u00e9e d\u00e9cal\u00e9e de $X$<\/span> sur $Y$<\/span> atteint son intensit\u00e9 maximale apr\u00e8s un d\u00e9lai de trois semaines, une collecte de donn\u00e9es organis\u00e9e \u00e0 un rythme annuel \u00e9chouera immanquablement \u00e0 capter cette relation, produisant un coefficient crois\u00e9 statistiquement insignifiant ou fallacieux. De mani\u00e8re analogue, un intervalle d’observation trop court risque de saisir un syst\u00e8me en cours de transition avant que l’effet ne se soit pleinement manifest\u00e9. Les travaux m\u00e9thodologiques de Dormann et Griffin ont brillamment mis en lumi\u00e8re la fa\u00e7on dont la taille et m\u00eame le signe alg\u00e9brique d’un param\u00e8tre crois\u00e9 d\u00e9cal\u00e9 peuvent \u00eatre artificiellement manipul\u00e9s en fonction du d\u00e9calage temporel s\u00e9lectionn\u00e9.<\/p>\n

Enfin, l’hypoth\u00e8se sous-jacente la plus probl\u00e9matique du CLPM standard concerne l’absence pr\u00e9sum\u00e9e d’effets de traits stables non mesur\u00e9s. Le mod\u00e8le classique part du principe que toute la variance syst\u00e9matique partag\u00e9e au fil du temps peut \u00eatre captur\u00e9e par le conditionnement sur les scores observ\u00e9s \u00e0 la vague imm\u00e9diatement pr\u00e9c\u00e9dente (propri\u00e9t\u00e9 de premier ordre markovienne). Il ignore la possibilit\u00e9 qu’une part substantielle de la stabilit\u00e9 temporelle observ\u00e9e ne d\u00e9coule pas d’une transmission causale s\u00e9quentielle continue d’\u00e9tat \u00e0 \u00e9tat, mais provienne plut\u00f4t d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 stable et intemporelle propre aux individus, telle que des pr\u00e9dispositions g\u00e9n\u00e9tiques, des traits de personnalit\u00e9 immuables ou des caract\u00e9ristiques socio-environnementales chroniques. Lorsque cette composante interindividuelle stable est ignor\u00e9e, le CLPM viole les postulats de mod\u00e9lisation causale et commet une erreur d’attribution structurelle.<\/p>\n

2.3 \u00c9volutions m\u00e9thodologiques : du CLPM classique au RI-CLPM<\/h3>\n

L’inad\u00e9quation structurelle du CLPM classique face \u00e0 la distinction entre niveaux d’analyse a conduit \u00e0 une remise en question th\u00e9orique majeure au cours de la derni\u00e8re d\u00e9cennie. Comme l’ont d\u00e9montr\u00e9 Ellen L. Hamaker et ses coll\u00e8gues dans leur article fondateur de 2015, le CLPM traditionnel op\u00e8re une confusion math\u00e9matique fatale entre la variance interindividuelle (les diff\u00e9rences stables et immuables entre les personnes) et la variance intra-individuelle (les fluctuations dynamiques qu’une personne exp\u00e9rimente au fil du temps autour de sa propre trajectoire d’\u00e9quilibre). Dans un CLPM conventionnel, si un individu maintient un score \u00e9lev\u00e9 de $X$<\/span> et un score \u00e9lev\u00e9 de $Y$<\/span> tout au long des vagues en raison d’un facteur de confusion stable non mesur\u00e9 (par exemple un trait g\u00e9n\u00e9tique ou un biais d’\u00e9chantillonnage invariant), le mod\u00e8le interpr\u00e9tera fallacieusement cette association interindividuelle p\u00e9renne comme la preuve d’une forte stabilit\u00e9 autor\u00e9gressive et de couplages crois\u00e9s d\u00e9cal\u00e9s r\u00e9ciproques.<\/p>\n

Pour r\u00e9soudre cette confusion m\u00e9thodologique d\u00e9l\u00e9t\u00e8re, Hamaker, Kuiper et Grasman (2015) ont formalis\u00e9 le mod\u00e8le de panel \u00e0 retards crois\u00e9s \u00e0 interception al\u00e9atoire (Random Intercept Cross-Lagged Panel Model, ou RI-CLPM<\/a>). Le RI-CLPM r\u00e9alise une disjonction orthogonale formelle et explicite de la variance totale au sein de chaque variable observ\u00e9e en deux composantes ind\u00e9pendantes :<\/p>\n

$$X_{it} = \\mu_{Xt} + I_{\\Xi} + x_{it}^*$$<\/span><\/p>\n

$$Y_{it} = \\mu_{Yt} + I_{Yi} + y_{it}^*$$<\/span><\/p>\n

Dans ce mod\u00e8le r\u00e9vis\u00e9, $\\mu_{Xt}$<\/span> et $\\mu_{Yt}$<\/span> repr\u00e9sentent les moyennes au niveau de la population \u00e0 la vague $t$<\/span>. Les variables latentes $I_{\\Xi}$<\/span> et $I_{Yi}$<\/span> constituent les intercepts al\u00e9atoires individuels. Invariants dans le temps, ils absorbent l’int\u00e9gralit\u00e9 des diff\u00e9rences stables entre individus, fonctionnant comme des facteurs de trait intemporels. La covariance entre ces intercepts al\u00e9atoires, not\u00e9e $\\text{Cov}(I_{\\Xi}, I_{Yi})$<\/span>, saisit l’association interindividuelle pure : elle quantifie la mesure dans laquelle les individus qui se situent globalement au-dessus de la moyenne pour le construit $X$<\/span> se situent \u00e9galement au-dessus de la moyenne pour le construit $Y$<\/span>.<\/p>\n

Les termes r\u00e9siduels $x_{it}^*$<\/span> et $y_{it}^*$<\/span> d\u00e9signent les composantes d’\u00e9tat centr\u00e9es sur l’individu (within-person deviations). Elles repr\u00e9sentent l’\u00e9cart momentan\u00e9, \u00e0 la vague $t$<\/span>, entre le score d’un individu et son propre niveau moyen stable. Les relations autor\u00e9gressives et les effets crois\u00e9s d\u00e9cal\u00e9s sont alors sp\u00e9cifi\u00e9s exclusivement entre ces d\u00e9viations intra-individuelles pures :<\/p>\n

$$x_{it}^* = \\alpha_t x_{i(t-1)}^* + \\beta_t y_{i(t-1)}^* + \\epsilon_{Xit}^*$$<\/span><\/p>\n

$$y_{it}^* = \\gamma_t y_{i(t-1)}^* + \\delta_t x_{i(t-1)}^* + \\epsilon_{Yit}^*$$<\/span><\/p>\n

Gr\u00e2ce \u00e0 cette d\u00e9composition rigoureuse, le coefficient crois\u00e9 $\\delta_t$<\/span> poss\u00e8de une signification interpr\u00e9tative fondamentalement diff\u00e9rente et bien plus rigoureuse que dans le CLPM standard. Il indique si le fait pour une personne de se trouver temporairement au-dessus de son propre niveau d’\u00e9quilibre habituel sur la variable $X$<\/span> au temps $t-1$<\/span> pr\u00e9dit une \u00e9l\u00e9vation cons\u00e9cutive au-dessus de son propre niveau d’\u00e9quilibre sur la variable $Y$<\/span> au temps $t$<\/span>. Le RI-CLPM \u00e9limine ainsi le risque majeur de confondre une corr\u00e9lation de trait interindividuelle avec un m\u00e9canisme transactionnel intra-individuel prospectif, constituant l’\u00e9talon-or moderne de la mod\u00e9lisation \u00e0 retards crois\u00e9s.<\/p>\n

3. Fondements et sp\u00e9cificit\u00e9s du mod\u00e8le de courbe de croissance latente (LGCM)<\/h2>\n

3.1 Facteurs latents d’interception et de pente<\/h3>\n

Le mod\u00e8le de courbe de croissance latente (LGCM<\/a>) repose sur une conceptualisation psychom\u00e9trique o\u00f9 les scores r\u00e9p\u00e9t\u00e9s d’un individu au fil du temps sont consid\u00e9r\u00e9s comme les manifestations empiriques imparfaites d’une trajectoire sous-jacente continue. Dans sa forme lin\u00e9aire univari\u00e9e fondamentale, le LGCM postule que les observations r\u00e9p\u00e9t\u00e9es d’une variable $Y$<\/span> mesur\u00e9e aux temps $t = 1, 2, dots, T$<\/span> pour un individu $i$<\/span> sont engendr\u00e9es par deux facteurs latents fondamentaux : un facteur d’interception ($I_i$<\/span>) et un facteur de pente ($S_i$<\/span>). L’\u00e9quation de mesure reliant l’indicateur observ\u00e9 aux construits latents s’\u00e9crit formellement comme suit :<\/p>\n

$$Y_{it} = I_i + \\lambda_t S_i + \\epsilon_{it}$$<\/span><\/p>\n

L’interception latente $I_i$<\/span> repr\u00e9sente le statut de r\u00e9f\u00e9rence de l’individu. Dans la matrice des chargements factoriels, les coefficients assign\u00e9s \u00e0 l’interception sont fix\u00e9s de mani\u00e8re invariable \u00e0 1 pour toutes les vagues de mesure ($\\lambda_{I1} = \\lambda_{I2} = dots = \\lambda_{IT} = 1$<\/span>). Cette contrainte d’invariance absolue traduit l’exigence logique que l’interception op\u00e8re comme une constante individuelle invariable au cours du temps, ancrant le niveau de base du processus d\u00e9veloppemental.<\/p>\n

Le facteur de pente latente $S_i$<\/span> saisit quant \u00e0 lui le taux de changement continu par unit\u00e9 de temps. La mod\u00e9lisation de ce taux repose sur la sp\u00e9cification d\u00e9lib\u00e9r\u00e9e des chargements factoriels temporels $\\lambda_t$<\/span>. Dans le cadre d’un mod\u00e8le de croissance lin\u00e9aire r\u00e9gulier o\u00f9 les observations sont espac\u00e9es d’intervalles \u00e9gaux (par exemple $t = 1, 2, 3, dots, T$<\/span>), les chargements temporels sont couramment fix\u00e9s \u00e0 des valeurs enti\u00e8res cons\u00e9cutives, typiquement $\\lambda_t = [0, 1, 2, dots, T-1]$<\/span>. En fixant $\\lambda_1 = 0$<\/span>, le chercheur attribue \u00e0 l’interception latente une signification concr\u00e8te : elle repr\u00e9sente le niveau attendu de la variable \u00e0 la premi\u00e8re vague de mesure. Si l’analyste choisissait de centrer le temps au milieu du protocole ou \u00e0 la derni\u00e8re vague ($\\lambda_T = 0$<\/span>), l’interception refl\u00e9terait alors le niveau final du processus sans modifier l’estimation de la pente.<\/p>\n

Au niveau structural, les facteurs latents sont d\u00e9compos\u00e9s en composantes moyennes fixes (la moyenne de la population) et en r\u00e9sidus al\u00e9atoires (la variabilit\u00e9 interindividuelle autour de cette moyenne) :<\/p>\n

$$I_i = \\mu_I + \\zeta_{Ii}$$<\/span><\/p>\n

$$S_i = \\mu_S + \\zeta_{Si}$$<\/span><\/p>\n

Les param\u00e8tres $\\mu_I$<\/span> et $\\mu_S$<\/span> d\u00e9signent respectivement la moyenne d’interception et la moyenne de pente au sein de la population. Une moyenne de pente $\\mu_S$<\/span> significativement diff\u00e9rente de z\u00e9ro confirme l’existence d’une tendance d\u00e9veloppementale g\u00e9n\u00e9rale d’accroissement ou de d\u00e9clin syst\u00e9matique. Les param\u00e8tres de variance $\\psi_{II} = \\text{Var}(\\zeta_{Ii})$<\/span> et $\\psi_{SS} = \\text{Var}(\\zeta_{Si})$<\/span> quantifient l’amplitude de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interindividuelle : $\\psi_{SS}$<\/span> mesure \u00e0 quel point les individus s’\u00e9cartent du rythme d’\u00e9volution moyen de la cohorte. Enfin, la covariance entre l’interception et la pente, not\u00e9e $\\psi_{IS} = \\text{Cov}(\\zeta_{Ii}, \\zeta_{Si})$<\/span>, capture la relation structurelle entre le niveau initial et le rythme ult\u00e9rieur de d\u00e9veloppement, permettant par exemple de tester si un statut initial \u00e9lev\u00e9 freine ou acc\u00e9l\u00e8re la croissance subs\u00e9quente (effet plafond ou effet Matthieu).<\/p>\n

3.2 Mod\u00e9lisation de la non-lin\u00e9arit\u00e9 et variabilit\u00e9 du changement<\/h3>\n

La trajectoire du changement humain et social suit rarement une ligne droite parfaite au cours du temps. L’une des vertus du LGCM r\u00e9side dans sa plasticit\u00e9 math\u00e9matique, qui lui permet de mod\u00e9liser des formes complexes de d\u00e9veloppement non lin\u00e9aire sans quitter le cadre \u00e9l\u00e9gant des mod\u00e8les lin\u00e9aires structuraux. La strat\u00e9gie la plus classique consiste \u00e0 incorporer des facteurs polynomiaux d’ordre sup\u00e9rieur au sein de l’\u00e9quation de mesure. Pour int\u00e9grer une courbure de d\u00e9c\u00e9l\u00e9ration ou d’acc\u00e9l\u00e9ration, un facteur quadratique ($Q_i$<\/span>) peut \u00eatre introduit :<\/p>\n

$$Y_{it} = I_i + \\lambda_t S_i + \\lambda_t^2 Q_i + \\epsilon_{it}$$<\/span><\/p>\n

Dans ce mod\u00e8le \u00e0 croissance quadratique, si les chargements de la pente lin\u00e9aire sont fix\u00e9s \u00e0 $\\lambda_t = [0, 1, 2, 3]$<\/span>, les chargements assign\u00e9s au facteur quadratique correspondent rigoureusement aux carr\u00e9s de ces valeurs, soit $\\lambda_t^2 = [0, 1, 4, 9]$<\/span>. L’estimation simultan\u00e9e des moyennes $\\mu_I, \\mu_S, \\mu_Q$<\/span> et de leur matrice de variance-covariance permet de d\u00e9crire des dynamiques en cloche, des phases d’\u00e9puisement ou des rebonds d\u00e9veloppementaux, tout en pr\u00e9servant l’estimation des variations interindividuelles autour de cette trajectoire curvilin\u00e9aire.<\/p>\n

Une alternative m\u00e9thodologique consiste \u00e0 recourir \u00e0 des mod\u00e8les de croissance latente \u00e0 chargements libres, \u00e9galement qualifi\u00e9s de mod\u00e8les de forme fonctionnelle empirique ou non param\u00e9trique. Dans cette sp\u00e9cification, le premier chargement est ancr\u00e9 \u00e0 0 ($\\lambda_1 = 0$<\/span>) et le dernier est fix\u00e9 \u00e0 1 ($\\lambda_T = 1$<\/span>) afin d’identifier l’\u00e9chelle de la pente latente, tandis que les chargements factoriels des vagues interm\u00e9diaires ($\\lambda_2, \\lambda_3, dots, \\lambda_{T-1}$<\/span>) sont librement estim\u00e9s par le mod\u00e8le \u00e0 partir des donn\u00e9es empiriques. Les valeurs estim\u00e9es de ces chargements factoriels r\u00e9v\u00e8lent la proportion de changement total accomplie entre la vague initiale et chacune des vagues successives. Si $\\lambda_2$<\/span> s’\u00e9tablit \u00e0 0.65 pour un mod\u00e8le \u00e0 trois vagues, cela d\u00e9montre que 65 % de l’\u00e9volution globale de la variable survient d\u00e8s la premi\u00e8re transition temporelle, caract\u00e9risant une dynamique d’absorption ou d’apprentissage rapide suivie d’un plafonnement progressif.<\/p>\n

Enfin, la mod\u00e9lisation rigoureuse de la non-lin\u00e9arit\u00e9 impose de pr\u00eater attention \u00e0 la structure de covariance des erreurs de mesure sp\u00e9cifiques au temps, captur\u00e9es par la matrice $boldsymbol{\\Theta}_\\epsilon$<\/span>. Alors que le mod\u00e8le standard postule une variance d’erreur homog\u00e8ne et homosc\u00e9dastique au cours du temps ($\\text{Var}(\\epsilon_{it}) = \\sigma^2$<\/span>) sans corr\u00e9lation r\u00e9siduelle ($\\text{Cov}(\\epsilon_{it}, \\epsilon_{is}) = 0$<\/span>), ces contraintes peuvent s’av\u00e9rer intol\u00e9rables dans les panels \u00e9tendus. Le LGCM permet de relaxer ces restrictions en autorisant des variances d’erreur h\u00e9t\u00e9rosc\u00e9dastiques ($\\sigma_t^2$<\/span>) ou en mod\u00e9lisant une autocorr\u00e9lation r\u00e9siduelle de premier ordre entre les perturbations temporelles imm\u00e9diates ($\\text{Cov}(\\epsilon_{it}, \\epsilon_{i(t-1)}) \\neq 0$<\/span>), garantissant ainsi que l’estimation de la composante de croissance globale ne soit pas d\u00e9form\u00e9e par le bruit stochastique r\u00e9siduel de mesure.<\/p>\n

3.3 Extensions multivari\u00e9es et mod\u00e8les de croissance conditionnels<\/h3>\n

La puissance du LGCM s’amplifie consid\u00e9rablement lors du passage des sp\u00e9cifications univari\u00e9es aux architectures multivari\u00e9es et conditionnelles. Le mod\u00e8le de croissance latente multivari\u00e9 parall\u00e8le (Parallel-Process LGCM) permet d’analyser simultan\u00e9ment le d\u00e9veloppement longitudinal de deux ou plusieurs processus distincts et d’examiner formellement la mani\u00e8re dont leurs trajectoires s’influencent ou co-\u00e9voluent. Dans une structure bivari\u00e9e mod\u00e9lisant deux variables $X$<\/span> et $Y$<\/span>, le mod\u00e8le sp\u00e9cifie deux intercepts latents ($I_X, I_Y$<\/span>) et deux pentes latentes ($S_X, S_Y$<\/span>). Au niveau structural, le mod\u00e8le g\u00e9n\u00e8re une matrice compl\u00e8te de covariances de dimensions $4 times 4$ reliant l’ensemble des facteurs de croissance :<\/p>\n

$$boldsymbol{\\Psi} = \\begin{\\pmatrix}
\n\\psi_{I_X I_X} & & & \\
\n\\psi_{I_Y I_X} & \\psi_{I_Y I_Y} & & \\
\n\\psi_{S_X I_X} & \\psi_{S_X I_Y} & \\psi_{S_X S_X} & \\
\n\\psi_{S_Y I_X} & \\psi_{S_Y I_Y} & \\psi_{S_Y S_X} & \\psi_{S_Y S_Y}
\n\\end{\\pmatrix}$$<\/span><\/p>\n

Cette matrice livre des informations analytiques d’une richesse conceptuelle exceptionnelle. Le param\u00e8tre $\\psi_{S_Y S_X}$<\/span> quantifie directement la covariation des taux de changement : il permet d’affirmer si un accroissement individuel acc\u00e9l\u00e9r\u00e9 sur le construit $X$<\/span> s’accompagne de mani\u00e8re concomitante d’une acc\u00e9l\u00e9ration ou d’un ralentissement de la trajectoire du construit $Y$<\/span>. De surcro\u00eet, le param\u00e8tre $\\psi_{S_Y I_X}$<\/span> d\u00e9termine si le niveau initial d’un individu sur une variable conditionne prospectivement la vitesse d’\u00e9volution temporelle de l’autre variable au cours des ann\u00e9es d’observation, fournissant un cadre d’inf\u00e9rence d\u00e9veloppementale pr\u00e9dictive globale.<\/p>\n

Par ailleurs, le LGCM s’enrichit par l’inclusion de covariables externes dans le cadre de mod\u00e8les de croissance dits conditionnels. Ces covariables peuvent \u00eatre de nature invariante dans le temps (Time-Invariant Covariates, TIC), \u00e0 l’instar du genre biologique, du niveau socio-\u00e9conomique initial ou d’un g\u00e9notype. Ces pr\u00e9dicteurs de fondation sont introduits au sein d’\u00e9quations structurelles venant pr\u00e9dire l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des facteurs latents eux-m\u00eames ($I_i = \\gamma_{I0} + \\gamma_{I1} TIC_i + \\zeta_{Ii}$<\/span> et $S_i = \\gamma_{S0} + \\gamma_{S1} TIC_i + \\zeta_{Si}$<\/span>), expliquant ainsi pourquoi certains individus d\u00e9butent plus haut ou progressent plus vite que d’autres.<\/p>\n

Enfin, le mod\u00e8le peut incorporer des pr\u00e9dicteurs variant dans le temps (Time-Varying Covariates, TVC), int\u00e9gr\u00e9s directement au niveau de l’\u00e9quation de mesure de chaque vague temporelle ($Y_{it} = I_i + \\lambda_t S_i + \\beta_t TVC_{it} + \\epsilon_{it}$<\/span>). Cette mod\u00e9lisation \u00e0 deux \u00e9tages permet de dissocier simultan\u00e9ment la trajectoire de croissance sous-jacente continue et les d\u00e9viations ou oscillations ponctuelles induites \u00e0 chaque vague par des \u00e9v\u00e9nements conjoncturels \u00e9ph\u00e9m\u00e8res (tels qu’une perte d’emploi soudaine ou une intervention th\u00e9rapeutique circonscrite), conf\u00e9rant au LGCM une remarquable capacit\u00e9 d’adaptation aux r\u00e9alit\u00e9s complexes des sciences de terrain.<\/p>\n

4. Analyse comparative dimensionnelle : CLPM versus LGCM<\/h2>\n

4.1 Objectif th\u00e9orique : directionalit\u00e9 causale contre dynamique de trajectoire<\/h3>\n

La distinction primaire entre le CLPM et le LGCM r\u00e9side dans le statut \u00e9pist\u00e9mologique accord\u00e9 au temps et \u00e0 la nature de la causalit\u00e9 pr\u00e9sum\u00e9e. Le mod\u00e8le de panel \u00e0 retards crois\u00e9s est un instrument con\u00e7u pour diagnostiquer la directionnalit\u00e9 s\u00e9quentielle des effets et \u00e9prouver des hypoth\u00e8ses de pr\u00e9s\u00e9ance pr\u00e9dictive au sein d’un \u00e9cosyst\u00e8me dynamique. Son interrogation centrale consiste \u00e0 trancher entre deux hypoth\u00e8ses concurrentes : est-ce la variable $X$<\/span> qui conduit prospectivement les changements futurs de la variable $Y$<\/span>, ou est-ce $Y$<\/span> qui dirige les \u00e9volutions subs\u00e9quentes de $X$<\/span> ? Le CLPM op\u00e9rationnalise la causalit\u00e9 sous un angle grang\u00e9rien, dans lequel le pass\u00e9 d’une variable informe l’avenir d’une autre au-del\u00e0 de sa m\u00e9moire intrins\u00e8que. C’est un mod\u00e8le par excellence de l’influence transactionnelle locale et des dynamiques r\u00e9actives.<\/p>\n

Le mod\u00e8le de courbe de croissance latente s’inscrit quant \u00e0 lui dans une t\u00e9l\u00e9ologie d\u00e9veloppementale o\u00f9 le centre d’int\u00e9r\u00eat n’est pas le choc discret d’une variable sur une autre lors de l’intervalle $[t-1, t]$<\/span>, mais la dynamique unifi\u00e9e qui gouverne le d\u00e9roulement temporel d’un ph\u00e9nom\u00e8ne consid\u00e9r\u00e9 dans sa globalit\u00e9. Au lieu de diss\u00e9quer des influences transactionnelles d\u00e9cal\u00e9es, le LGCM d\u00e9crit des profils longitudinaux, mod\u00e9lisant la vitesse, la courbure et l’amplitude de l’\u00e9volution. Lorsqu’il est \u00e9tendu \u00e0 un contexte multivari\u00e9, le LGCM ne cherche pas \u00e0 \u00e9tablir une priorit\u00e9 s\u00e9quentielle imm\u00e9diate, mais \u00e9value la corr\u00e9lation macroscopique entre deux dynamiques de croissance ou l’impact d’une position initiale sur la pente subs\u00e9quente.<\/p>\n

Cette divergence cr\u00e9e une d\u00e9marcation th\u00e9orique irr\u00e9ductible. Le CLPM traite les variations temporelles comme des oscillations autour d’un \u00e9quilibre ou des r\u00e9ponses \u00e0 des stimuli ant\u00e9rieurs au sein d’un syst\u00e8me fondamentalement stationnaire. Le LGCM postule en revanche que le ph\u00e9nom\u00e8ne est intrins\u00e8quement non stationnaire au niveau moyen et individuel, se d\u00e9pla\u00e7ant continuellement d’un \u00e9tat d’origine vers des paliers futurs par le biais d’un m\u00e9canisme de maturation ou de transformation syst\u00e9matique. Tenter d’inf\u00e9rer des trajectoires globales \u00e0 partir des param\u00e8tres locaux d’un CLPM est une impossibilit\u00e9 math\u00e9matique ; r\u00e9ciproquement, contraindre des oscillations r\u00e9ciproques r\u00e9actives dans des param\u00e8tres de pente globale au sein d’un LGCM conduit in\u00e9vitablement \u00e0 masquer la dynamique causale sous-jacente.<\/p>\n

4.2 Traitement de la variance intra-individuelle et interindividuelle<\/h3>\n

L’analyse comparative de ces mod\u00e8les exige une dissection rigoureuse de la mani\u00e8re dont chacun partitionne la variance totale observ\u00e9e. Le th\u00e9or\u00e8me d’ergodicit\u00e9, th\u00e9oris\u00e9 en psychom\u00e9trie par Peter C. M. Molenaar, \u00e9nonce de fa\u00e7on implacable que les structures de corr\u00e9lation d\u00e9riv\u00e9es de l’examen interindividuel d’une population ne sont \u00e9quivalentes aux structures intra-individuelles caract\u00e9risant l’\u00e9volution d’une personne dans le temps que sous des conditions de stricte homog\u00e9n\u00e9it\u00e9 et de stationnarit\u00e9 rarement v\u00e9rifi\u00e9es en pratique. L’ignorance de cette disjonction constitue la faille conceptuelle historique du CLPM classique.<\/p>\n

Dans un CLPM conventionnel \u00e0 variables observ\u00e9es, la d\u00e9composition de la variance est absente. Le mod\u00e8le agr\u00e8ge indiff\u00e9remment au sein d’un coefficient unique la variabilit\u00e9 qui d\u00e9coule des diff\u00e9rences syst\u00e9matiques et stables entre les sujets et celle qui r\u00e9sulte des fluctuations dynamiques \u00e9prouv\u00e9es par les sujets d’une vague \u00e0 l’autre. En r\u00e9gressant brutalement $Y_t$<\/span> sur $X_{t-1}$<\/span>, le CLPM standard m\u00e9lange les niveaux d’analyse : l’effet crois\u00e9 refl\u00e8te autant le fait que les individus intrins\u00e8quement plus \u00e9lev\u00e9s sur $X$<\/span> soient \u00e9galement plus \u00e9lev\u00e9s sur $Y$<\/span> (niveau interindividuel) que le fait qu’une augmentation de $X$<\/span> chez un individu donn\u00e9 entra\u00eene une augmentation cons\u00e9cutive de $Y$<\/span> (niveau intra-individuel). Ce probl\u00e8me n’est r\u00e9solu qu’avec l’av\u00e8nement du RI-CLPM, qui segmente formellement l’espace vectoriel des observations en intercepts al\u00e9atoires stables et en r\u00e9sidus d\u00e9viants temporels.<\/p>\n

Le LGCM, pour sa part, fait de la s\u00e9paration formelle de ces deux sources de variance la base m\u00eame de son \u00e9chafaudage math\u00e9matique. L’\u00e9quation de niveau 1 capture la variance intra-individuelle en d\u00e9crivant la trajectoire temporelle propre \u00e0 chaque sujet le long de l’axe temporel, modul\u00e9e par des erreurs de mesure r\u00e9siduelles. L’\u00e9quation de niveau 2 mod\u00e9lise simultan\u00e9ment la variance interindividuelle en distribuant les intercepts et les pentes au sein de la population via les moyennes fixes ($\\mu_I, \\mu_S$<\/span>) et les variances al\u00e9atoires ($\\psi_{II}, \\psi_{SS}$<\/span>). Le LGCM offre ainsi une r\u00e9solution \u00e9l\u00e9gante du d\u00e9fi de Molenaar : il isole rigoureusement l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des personnes dans leur configuration d’\u00e9volution tout en fournissant une m\u00e9trique pr\u00e9cise de la fid\u00e9lit\u00e9 de la trajectoire au niveau individuel. Cette d\u00e9composition explicite pr\u00e9serve le chercheur de toute confusion fallacieuse entre le niveau global de la population et les variations singuli\u00e8res des trajectoires subjectives.<\/p>\n

4.3 Contraintes d’\u00e9chantillonnage, nombre de vagues et espacement temporel<\/h3>\n

Les exigences relatives au devis empirique imposent des contraintes mat\u00e9rielles s\u00e9v\u00e8res qui orientent drastiquement la viabilit\u00e9 de l’une ou l’autre de ces architectures longitudinales. La premi\u00e8re de ces contraintes concerne le nombre minimal de vagues de collecte ($T$<\/span>) requis pour rendre les mod\u00e8les math\u00e9matiquement identifiables et statistiquement signifiants :<\/p>\n

Le CLPM peut formellement \u00eatre estim\u00e9 \u00e0 partir d’un panel ne comportant que deux vagues de mesure ($T = 2$<\/span>). Toutefois, dans cette configuration minimale, le CLPM bivari\u00e9 standard est satur\u00e9 (z\u00e9ro degr\u00e9 de libert\u00e9 au niveau des relations structurelles), interdisant toute \u00e9valuation empirique globale de l’ajustement du mod\u00e8le par les indices statistiques classiques. De surcro\u00eet, un mod\u00e8le \u00e0 deux vagues proscrit formellement le test de l’invariance temporelle des param\u00e8tres et rend impossible l’estimation d’un RI-CLPM, qui exige au strict minimum trois vagues de mesure ($T ge 3$<\/span>) pour s\u00e9parer de mani\u00e8re identifiable les intercepts al\u00e9atoires des variances r\u00e9siduelles d’\u00e9tat.<\/p>\n

Le LGCM lin\u00e9aire impose quant \u00e0 lui un imp\u00e9ratif absolu d’au moins trois vagues de donn\u00e9es ($T ge 3$<\/span>) pour une identification basique. Avec $T = 3$<\/span> vagues, la matrice de covariance observ\u00e9e offre $3(3+1)\/2 = 6$<\/span> \u00e9l\u00e9ments d’information, ce qui correspond exactement au nombre de param\u00e8tres libres estim\u00e9s dans un mod\u00e8le de croissance lin\u00e9aire standard (la moyenne et la variance de l’intercept, la moyenne et la variance de la pente, la covariance intercept-pente, et une variance d’erreur r\u00e9siduelle contrainte \u00e0 l’homosc\u00e9dasticit\u00e9), g\u00e9n\u00e9rant un mod\u00e8le tout juste satur\u00e9 ou sur-identifi\u00e9 selon les contraintes r\u00e9siduelles adopt\u00e9es. D\u00e8s lors que le chercheur ambitionne de tester des trajectoires non lin\u00e9aires \u2014 telles qu’une courbe quadratique comportant un facteur $Q$<\/span> \u2014 le seuil d’\u00e9ligibilit\u00e9 minimale s’\u00e9l\u00e8ve m\u00e9caniquement \u00e0 quatre vagues de mesure distinctes ($T ge 4$<\/span>), voire cinq ou plus pour des mod\u00e8les factoriels d’ordre cubique ou des fonctions splines complexes.<\/p>\n

La question de l’espacement temporel ($\\Delta t$<\/span>) marque une autre fronti\u00e8re m\u00e9thodologique fondamentale. Le CLPM est hypersensible aux variations de m\u00e9trique temporelle. Il postule des intervalles \u00e9gaux et discrets entre chaque vague. Si les intervalles de collecte sont in\u00e9gaux (par exemple, 6 mois entre les vagues 1 et 2, puis 2 ans entre les vagues 2 et 3), l’application directe d’un CLPM traditionnel devient math\u00e9matiquement fautive, car les param\u00e8tres autor\u00e9gressifs et crois\u00e9s changent intrins\u00e8quement d’\u00e9chelle en fonction de l’intervalle temporel \u00e9coul\u00e9, rendant toute contrainte de stationnarit\u00e9 conceptuellement absurde sans passer par des mod\u00e8les diff\u00e9rentiels continus en temps continu (Continuous-Time SEM). En contraste marqu\u00e9, le LGCM s’adapte avec souplesse aux intervalles de mesure asym\u00e9triques ou in\u00e9gaux : il suffit au chercheur d’assigner des scores de temps proportionnels \u00e0 la distance temporelle calendaire r\u00e9elle au sein de la matrice des chargements de pente (par exemple $\\lambda_t = [0, 0.5, 2.5]$<\/span> pour des mesures collect\u00e9es \u00e0 0, 6 mois et 30 mois). Le LGCM int\u00e8gre harmonieusement ces \u00e9carts sans aucune distorsion structurelle de ses estimations fondamentales.<\/p>\n

4.4 Forces et limites m\u00e9thodologiques respectives<\/h3>\n

L’arbitrage entre ces deux puissantes m\u00e9thodologies d’analyse quantitative n\u00e9cessite une synth\u00e8se m\u00e9thodique de leurs atouts respectifs et de leurs vuln\u00e9rabilit\u00e9s intrins\u00e8ques. Le tableau comparatif rigoureux dress\u00e9 ci-dessous synth\u00e9tise ce face-\u00e0-face analytique le long des dimensions op\u00e9ratoires et conceptuelles d\u00e9cisives de la mod\u00e9lisation statistique avanc\u00e9e :<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Dimension d’Analyse<\/th>\nMod\u00e8le de Panel \u00e0 Retards Crois\u00e9s (CLPM \/ RI-CLPM)<\/th>\nMod\u00e8le de Courbe de Croissance Latente (LGCM)<\/th>\n<\/tr>\n<\/thead>\n
Focalisation Th\u00e9orique Centrale<\/strong><\/td>\nDirectionnalit\u00e9 causale s\u00e9quentielle, pr\u00e9s\u00e9ance pr\u00e9dictive et influences r\u00e9ciproques entre construits.<\/td>\nTrajectoires temporelles de d\u00e9veloppement, rythme de changement syst\u00e9matique et variabilit\u00e9 interindividuelle.<\/td>\n<\/tr>\n
Conception Ontologique du Temps<\/strong><\/td>\nDiscr\u00e8te ; le temps op\u00e8re comme un d\u00e9lai d’espacement ($t-1 \\rightarrow t$<\/span>) s\u00e9parant des \u00e9tats transactionnels.<\/td>\nContinue ; le temps forme un axe sous-jacent ordonn\u00e9 le long duquel se d\u00e9ploie une fonction fonctionnelle continue.<\/td>\n<\/tr>\n
Nombre Minimal de Vagues ($T$<\/span>)<\/strong><\/td>\n2 vagues pour le CLPM classique (satur\u00e9) ; 3 vagues imp\u00e9ratives pour identifier un RI-CLPM fiable.<\/td>\n3 vagues rigoureusement requises pour un mod\u00e8le lin\u00e9aire ; 4 vagues ou plus pour les formes non lin\u00e9aires.<\/td>\n<\/tr>\n
D\u00e9composition de la Variance<\/strong><\/td>\nConfondue dans le CLPM standard ; s\u00e9par\u00e9e rigoureusement entre trait stable et \u00e9tats r\u00e9siduels dans le RI-CLPM.<\/td>\nFormellement partitionn\u00e9e entre \u00e9quation intra-individuelle (Niveau 1) et distribution interindividuelle (Niveau 2).<\/td>\n<\/tr>\n
Gestion des Intervalles In\u00e9gaux<\/strong><\/td>\nComplexe et probl\u00e9matique ; requiert des param\u00e9trisations en temps continu sous peine de biaiser les chemins structuraux.<\/td>\nNaturelle et flexible via l’assignation proportionnelle des scores de temps ($\\lambda_t$<\/span>) dans la matrice de charge de pente.<\/td>\n<\/tr>\n
\u00c9valuation de la Croissance Globale<\/strong><\/td>\nAbsente ou masqu\u00e9e ; inapte \u00e0 estimer un taux de progression moyen unifi\u00e9 pour la population au fil du temps.<\/td>\nOptimale et directe gr\u00e2ce \u00e0 l’estimation explicite de la moyenne ($\\mu_S$<\/span>) et de la variance ($\\psi_{SS}$<\/span>) de la pente latente.<\/td>\n<\/tr>\n
Diagnostic d’Influence R\u00e9ciproque<\/strong><\/td>\nOptimal ; compare sym\u00e9triquement la force relative des chemins prospectifs oppos\u00e9s ($\\beta_{Y \\leftarrow X}$<\/span> vs $\\beta_{X \\leftarrow Y}$<\/span>).<\/td>\nIndirect ou limit\u00e9 ; documente la covariation des pentes ou des effets crois\u00e9s TIC\/TVC sans tester la r\u00e9activit\u00e9 locale.<\/td>\n<\/tr>\n
Vuln\u00e9rabilit\u00e9 aux Biais R\u00e9siduels<\/strong><\/td>\nCritique dans le CLPM standard face aux traits stables non mesur\u00e9s ; att\u00e9nu\u00e9e de mani\u00e8re robuste dans le RI-CLPM.<\/td>\nSensible \u00e0 une sp\u00e9cification erron\u00e9e de la forme fonctionnelle (imposer une droite sur une dynamique sinuso\u00efdale ou satur\u00e9e).<\/td>\n<\/tr>\n
Indices d’Ajustement Global (SEM)<\/strong><\/td>\nPermet le recours direct aux indices classiques ($\\chi^2$<\/span>, RMSEA, CFI, TLI, SRMR) d\u00e8s lors que $T ge 3$<\/span>.<\/td>\nMobilise l’ensemble des m\u00e9triques globales d’ajustement structurel pour valider la fid\u00e9lit\u00e9 de la trajectoire mod\u00e9lis\u00e9e.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Au-del\u00e0 de ces dimensions syst\u00e9matiques, les deux paradigmes partagent une vuln\u00e9rabilit\u00e9 commune face \u00e0 certains al\u00e9as inh\u00e9rents aux \u00e9tudes de panel. L’omission de covariables dynamiques majeures non mesur\u00e9es affecte identiquement la pr\u00e9cision des deux approches : dans le CLPM, elle engendre des covariations r\u00e9siduelles fallacieuses ou biaise les retards crois\u00e9s ; dans le LGCM, elle conduit \u00e0 imputer \u00e0 la dynamique interne du sujet une trajectoire de croissance impuls\u00e9e par une force environnementale exog\u00e8ne ignor\u00e9e. Par ailleurs, l’attrition s\u00e9lective \u2014 ph\u00e9nom\u00e8ne quasi in\u00e9vitable par lequel certains profils d’individus abandonnent l’\u00e9tude de cohorte de mani\u00e8re non al\u00e9atoire \u2014 menace tout autant l’invariance des estimations des trajectoires de pente que celle des coefficients autor\u00e9gressifs d\u00e9cal\u00e9s, exigeant dans les deux cas un traitement statistique rigoureux de la non-r\u00e9ponse par des algorithmes d’estimation de pointe.<\/p>\n

5. Points de convergence et compl\u00e9mentarit\u00e9s structurelles<\/h2>\n

5.1 Ancrage dans le cadre des \u00e9quations structurelles (SEM)<\/h3>\n

En d\u00e9pit de leurs disparit\u00e9s architecturales et th\u00e9oriques, le CLPM et le LGCM partagent un socle math\u00e9matique commun : ils s’inscrivent pleinement dans le cadre g\u00e9n\u00e9ral de la mod\u00e9lisation par \u00e9quations structurelles (SEM). Cette matrice m\u00e9thodologique unifi\u00e9e leur conf\u00e8re des avantages statistiques d\u00e9cisifs par rapport aux approches par moindres carr\u00e9s ordinaires ou aux analyses de variance classiques. Les deux mod\u00e8les s’appuient sur l’optimisation de fonctions de vraisemblance globale visant \u00e0 minimiser l’\u00e9cart entre la matrice de covariance empirique des variables observ\u00e9es ($\\mathbf{S}$<\/span>) et la matrice de covariance th\u00e9orique implicite reconstruite par les contraintes du mod\u00e8le ($boldsymbol{\\Sigma}(boldsymbol{\\theta})$<\/span>).<\/p>\n

En cons\u00e9quence de cette appartenance partag\u00e9e au cadre SEM, l’ad\u00e9quation empirique d’un CLPM et d’un LGCM s’\u00e9value au moyen du m\u00eame arsenal d’indices d’ajustement globaux bien \u00e9tablis par la psychom\u00e9trie computationnelle. Les chercheurs disposent du test formel du Chi-deux d’ajustement ($\\chi^2$<\/span>), mesurant l’\u00e9cart absolu entre mod\u00e8le th\u00e9orique et donn\u00e9es de panel, ainsi que d’indices descriptifs alternatifs robustes : la racine carr\u00e9e de l’erreur quadratique moyenne d’approximation (Root Mean Square Error of Approximation, RMSEA), l’indice d’ajustement comparatif (Comparative Fit Index, CFI), l’indice de Tucker-Lewis (TLI) et la racine carr\u00e9e moyenne r\u00e9siduelle standardis\u00e9e (Standardized Root Mean Square Residual, SRMR). Ces indices permettent une appr\u00e9ciation rigoureuse du degr\u00e9 d’approximation avec lequel chaque mod\u00e8le reproduit la cin\u00e9tique temporelle observ\u00e9e.<\/p>\n

Un autre point de convergence fondamental r\u00e9side dans la gestion avanc\u00e9e des donn\u00e9es manquantes. Les \u00e9tudes de panel longitudinales sont presque invariablement affect\u00e9es par l’attrition des participants ou des omissions sporadiques lors de certaines vagues. Parce qu’ils sont estim\u00e9s au sein de logiciels de mod\u00e9lisation par \u00e9quations structurelles, le CLPM et le LGCM tirent parti de l’estimation du maximum de vraisemblance \u00e0 information compl\u00e8te (Full Information Maximum Likelihood, FIML). Contrairement aux m\u00e9thodes destructrices de suppression par liste (listwise deletion) ou par paire (pairwise deletion) qui introduisent des biais d’\u00e9chantillonnage majeurs et r\u00e9duisent drastiquement la puissance statistique, l’algorithme FIML maximise la log-vraisemblance au niveau de chaque cas individuel sur la base de l’ensemble des donn\u00e9es disponibles, pr\u00e9servant la validit\u00e9 asymptotique des estimations sous l’hypoth\u00e8se de donn\u00e9es manquantes al\u00e9atoires (Missing At Random, MAR).<\/p>\n

5.2 Exigence partag\u00e9e de l’invariance de mesure temporelle<\/h3>\n

L’une des conditions sine qua non trop souvent n\u00e9glig\u00e9e dans l’application des mod\u00e8les longitudinaux r\u00e9side dans la v\u00e9rification m\u00e9trologique de l’invariance de mesure temporelle (Longitudinal Measurement Invariance). Que l’on applique un mod\u00e8le de panel \u00e0 retards crois\u00e9s ou un mod\u00e8le de courbe de croissance latente, le chercheur formule l’hypoth\u00e8se sous-jacente que l’instrument psychom\u00e9trique ou le construit latent mesur\u00e9 conserve une signification conceptuelle et des propri\u00e9t\u00e9s d’\u00e9chelle strictement identiques au fil des diff\u00e9rentes vagues de collecte temporelle. Si l’instrument subit une d\u00e9rive s\u00e9mantique ou une alt\u00e9ration de sensibilit\u00e9 de mesure au cours du temps, toute tentative d’interpr\u00e9ter des variations de scores \u2014 qu’il s’agisse de pentes de croissance ou d’effets crois\u00e9s pr\u00e9dictifs \u2014 rel\u00e8ve d’une illusion m\u00e9thodologique.<\/p>\n

L’\u00e9valuation psychom\u00e9trique de l’invariance longitudinale requiert une s\u00e9quence hi\u00e9rarchique formalis\u00e9e de comparaisons de mod\u00e8les embo\u00eet\u00e9s par tests de diff\u00e9rences de Chi-deux ($\\Delta\\chi^2$<\/span>) ou variations d’indices descriptifs ($\\Delta\\text{CFI} le 0.010$<\/span>, $\\Delta\\text{RMSEA} le 0.015$<\/span>), articul\u00e9e autour de quatre niveaux stricts :<\/p>\n