{"id":7106,"date":"2026-09-16T16:40:56","date_gmt":"2026-09-16T16:40:56","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/guide-test-sphericite-bartlett\/"},"modified":"2026-09-16T16:40:58","modified_gmt":"2026-09-16T16:40:58","slug":"guide-test-sphericite-bartlett","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=guide-test-sphericite-bartlett","title":{"rendered":"Un guide du test de sph\u00e9ricit\u00e9 de Bartlett"},"content":{"rendered":"

L’analyse des donn\u00e9es multivari\u00e9es constitue aujourd’hui la cl\u00e9 de vo\u00fbte de la recherche empirique dans les sciences du comportement, en psychom\u00e9trie et dans les sciences sociales. Lorsque les chercheurs sont confront\u00e9s \u00e0 de vastes ensembles d’indicateurs empiriques, tels que des batteries d’items mesurant des traits de personnalit\u00e9, des \u00e9chelles d’attitudes ou des tests d’aptitudes cognitives, le premier d\u00e9fi analytique consiste \u00e0 v\u00e9rifier si ces variables partagent une variance commune suffisante pour justifier une r\u00e9duction de dimensionnalit\u00e9. Tenter d’extraire des facteurs latents ou des composantes principales \u00e0 partir de donn\u00e9es qui ne pr\u00e9sentent aucune corr\u00e9lation sous-jacente \u00e9quivaut \u00e0 mod\u00e9liser du bruit blanc stochastique, conduisant in\u00e9vitablement \u00e0 des artefacts statistiques fallacieux et \u00e0 des conclusions scientifiques d\u00e9nu\u00e9es de validit\u00e9.<\/p>\n

Dans cet arsenal m\u00e9thodologique pr\u00e9paratoire, le test de sph\u00e9ricit\u00e9 de Bartlett<\/strong> occupe une place pr\u00e9pond\u00e9rante. D\u00e9velopp\u00e9 au milieu du XXe si\u00e8cle par le statisticien britannique Maurice Stevenson Bartlett, ce test statistique inf\u00e9rentiel examine la structure globale d’une matrice de corr\u00e9lation pour d\u00e9terminer si les variables observ\u00e9es sont mutuellement ind\u00e9pendantes ou si elles pr\u00e9sentent des interd\u00e9pendances significatives. Sur le plan g\u00e9om\u00e9trique, l’ind\u00e9pendance totale entre variables standardis\u00e9es se traduit par une distribution hypersph\u00e9rique dans l’espace multidimensionnel, configuration au sein de laquelle aucune direction privil\u00e9gi\u00e9e ne peut \u00eatre isol\u00e9e. Rejeter l’hypoth\u00e8se de sph\u00e9ricit\u00e9 est donc le pr\u00e9requis absolu \u00e0 toute tentative de condensation informationnelle.<\/p>\n

Le pr\u00e9sent guide a pour vocation d’offrir une exploration exhaustive, th\u00e9orique et op\u00e9rationnelle du test de sph\u00e9ricit\u00e9 de Bartlett. Con\u00e7u pour les chercheurs, psychom\u00e9triciens, statisticiens et \u00e9tudiants avanc\u00e9s, cet ouvrage didactique d\u00e9taille les fondements alg\u00e9briques du test, clarifie les ambigu\u00eft\u00e9s s\u00e9mantiques persistantes dans la litt\u00e9rature, explicite les \u00e9tapes de calcul computationnel et pr\u00e9sente des protocoles rigoureux de mise en \u0153uvre logicielle sous R, Python, SPSS et JASP. En analysant scrupuleusement ses postulats, ses limites face aux grands \u00e9chantillons et sa compl\u00e9mentarit\u00e9 avec l’indice de Kaiser-Meyer-Olkin (KMO), nous fournirons les cl\u00e9s m\u00e9thodologiques n\u00e9cessaires pour int\u00e9grer ce test selon les standards acad\u00e9miques les plus exigeants de l’American Psychological Association (APA)<\/a>.<\/p>\n

1. Introduction et fondements th\u00e9oriques du test de sph\u00e9ricit\u00e9 de Bartlett<\/h2>\n

1.1 Origine historique et contextualisation statistique<\/h3>\n

L’\u00e9mergence des techniques multivari\u00e9es au cours du XXe si\u00e8cle a profond\u00e9ment transform\u00e9 le paysage de la statistique appliqu\u00e9e. C’est dans ce contexte d’effervescence m\u00e9thodologique que le statisticien britannique Maurice Stevenson Bartlett formula en 1950 une contribution majeure \u00e0 l’analyse factorielle naissante dans son article princeps intitul\u00e9 Tests of significance in factor analysis<\/em>, publi\u00e9 dans le British Journal of Statistical Psychology<\/a>. \u00c0 cette \u00e9poque, les psychologues et psychom\u00e9triciens, marchant dans les pas de Charles Spearman, Louis Leon Thurstone et Cyril Burt, cherchaient \u00e0 conceptualiser l’intelligence et la personnalit\u00e9 \u00e0 travers l’analyse factorielle exploratoire. Cependant, les praticiens se heurtaient \u00e0 une difficult\u00e9 m\u00e9thodologique majeure : comment distinguer une corr\u00e9lation empirique authentique, refl\u00e9tant une entit\u00e9 latente v\u00e9ritable, d’une simple fluctuation d’\u00e9chantillonnage apparue au sein de variables totalement ind\u00e9pendantes dans la population parente ?<\/p>\n

Bartlett s’attela \u00e0 r\u00e9soudre cette lacune en d\u00e9veloppant un crit\u00e8re du rapport de vraisemblance capable de tester l’hypoth\u00e8se selon laquelle les variables observ\u00e9es proviendraient d’une population normale multivari\u00e9e au sein de laquelle toutes les corr\u00e9lations inter-variables seraient nulles. L’\u00e9volution de ce test au fil des d\u00e9cennies l’a fermement ancr\u00e9 dans le corpus de la validation des construits en psychologie diff\u00e9rentielle et clinique. La validation d’\u00e9chelles de mesure repose sur la d\u00e9monstration d’une structure interne coh\u00e9rente. Avant m\u00eame de pouvoir d\u00e9battre de l’unidimensionnalit\u00e9 ou de la multidimensionnalit\u00e9 d’un inventaire clinique ou d’un test psychotechnique, le chercheur contemporain doit \u00e9tablir que l’espace vectoriel engendr\u00e9 par les items ne se r\u00e9sume pas \u00e0 une dispersion anarchique. L’apport historique de Maurice Stevenson Bartlett r\u00e9side ainsi dans l’introduction d’un garde-fou formel, transformant ce qui n’\u00e9tait jusqu’alors qu’une intuition visuelle des tables de corr\u00e9lation en une d\u00e9cision inf\u00e9rentielle probabiliste et reproductible.<\/p>\n

1.2 Objectif premier du test en analyse multivari\u00e9e<\/h3>\n

L’objectif fondamental du test de sph\u00e9ricit\u00e9 de Bartlett est d’\u00e9valuer l’interd\u00e9pendance globale r\u00e9gnant au sein d’un ensemble de variables quantitatives continues ou quasi-continues. Dans le cadre de l’investigation empirique, ce test r\u00e9pond \u00e0 une interrogation liminaire : le degr\u00e9 de redondance informationnelle entre les variables observ\u00e9es est-il suffisant pour autoriser une r\u00e9duction de dimensionnalit\u00e9 sans sacrifier de l’information structurante ? En d’autres termes, il s’agit de tester la factorisabilit\u00e9 globale de la matrice de donn\u00e9es. Si les variables mesur\u00e9es n’entretiennent aucune relation statistique lin\u00e9aire entre elles, chaque variable constitue une dimension propre et irr\u00e9ductible ; toute tentative de r\u00e9duction dimensionnelle par analyse factorielle ou par analyse en composantes principales est alors d\u00e9pourvue de fondement th\u00e9orique et empirique.<\/p>\n

En psychom\u00e9trie, les indicateurs observ\u00e9s sont g\u00e9n\u00e9ralement con\u00e7us pour capturer des manifestations comportementales, \u00e9motionnelles ou cognitives d’un trait latent non observable directement. Ces manifestations partagent n\u00e9cessairement une variance commune. D\u00e8s lors, le test de Bartlett op\u00e8re comme un filtre diagnostique rigoureux. En comparant la distribution empirique des donn\u00e9es \u00e0 un mod\u00e8le th\u00e9orique dans lequel aucune redondance n’existerait, il permet de certifier que la structure de covariation observ\u00e9e s’\u00e9carte significativement d’un agencement al\u00e9atoire. La d\u00e9tection de cette redondance est une \u00e9tape sine qua non : elle garantit que les algorithmes d’extraction ne fabriqueront pas des construits chim\u00e9riques fond\u00e9s sur les seules fluctuations al\u00e9atoires inh\u00e9rentes \u00e0 tout \u00e9chantillon fini.<\/p>\n

1.3 Importance m\u00e9thodologique pour la recherche psychologique<\/h3>\n

Dans l’architecture de la recherche en psychologie et en sciences du comportement, l’usage rigoureux d’\u00e9chelles de mesure standardis\u00e9es constitue le socle de l’inf\u00e9rence scientifique. Qu’il s’agisse d’\u00e9valuer la d\u00e9pression, l’anxi\u00e9t\u00e9-trait, l’extraversion ou l’engagement professionnel, les donn\u00e9es recueillies sont intrins\u00e8quement vuln\u00e9rables aux bruits d’\u00e9chantillonnage et aux erreurs de mesure. L’importance m\u00e9thodologique du test de sph\u00e9ricit\u00e9 de Bartlett se manifeste d\u00e8s lors comme un pr\u00e9requis incontournable avant toute formalisation factorielle. L’omission de cette \u00e9tape de validation pr\u00e9alable expose la communaut\u00e9 des chercheurs \u00e0 un risque \u00e9pist\u00e9mologique majeur : la r\u00e9ification d’art\u00e9facts d’extraction. En effet, les algorithmes de d\u00e9composition spectrale ou d’estimation par maximum de vraisemblance produiront toujours des composantes et des saturations factorielles, y compris sur des matrices de nombres purement al\u00e9atoires.<\/p>\n

Le recours syst\u00e9matique au test de Bartlett permet de pr\u00e9munir les investigateurs contre de telles d\u00e9rives interpr\u00e9tatives. En attestant formellement de la pr\u00e9sence d’une interd\u00e9pendance globale non stochastique, il fournit la justification empirique initiale n\u00e9cessaire au d\u00e9ploiement des protocoles psychom\u00e9triques avanc\u00e9s. De surcro\u00eet, la standardisation des protocoles d’investigation psychom\u00e9trique impose la transparence dans les \u00e9tapes exploratoires. Rapporter le test de Bartlett, conjointement avec d’autres indices d’ad\u00e9quation, s’inscrit pleinement dans le cadre des lignes directrices m\u00e9thodologiques contemporaines promues par l’American Psychological Association<\/a>. Cela garantit \u00e0 la communaut\u00e9 scientifique que les \u00e9chelles psychologiques d\u00e9velopp\u00e9es ne reposent pas sur des agr\u00e9gations arbitraires, mais bien sur une architecture corr\u00e9lationnelle robuste et statistiquement d\u00e9fendable.<\/p>\n

2. Distinction \u00e9pist\u00e9mologique : Sph\u00e9ricit\u00e9 versus \u00c9galit\u00e9 des variances<\/h2>\n

2.1 Nature de la confusion r\u00e9currente dans la litt\u00e9rature<\/h3>\n

Une confusion s\u00e9mantique et conceptuelle particuli\u00e8rement pr\u00e9gnante traverse la litt\u00e9rature m\u00e9thodologique en sciences humaines : l’amalgame entre le test de sph\u00e9ricit\u00e9 de Bartlett et le test d’homog\u00e9n\u00e9it\u00e9 des variances, \u00e9galement attribu\u00e9 \u00e0 Maurice Stevenson Bartlett. Cette homonymie statistique est la source de nombreuses erreurs chez les analystes d\u00e9butants et dans certains rapports de recherche. Les deux proc\u00e9dures proc\u00e8dent de travaux men\u00e9s par le m\u00eame auteur britannique, mais r\u00e9pondent \u00e0 des probl\u00e9matiques math\u00e9matiques radicalement disjointes et s’inscrivent dans des paradigmes exp\u00e9rimentaux totalement diff\u00e9rents.<\/p>\n

D’un c\u00f4t\u00e9, l’homog\u00e9n\u00e9it\u00e9 des variances, ou homosc\u00e9dasticit\u00e9, concerne l’analyse univari\u00e9e ou la mod\u00e9lisation lin\u00e9aire de groupes ind\u00e9pendants, o\u00f9 l’on v\u00e9rifie si plusieurs sous-populations partagent une m\u00eame dispersion autour de leur moyenne respective. De l’autre c\u00f4t\u00e9, la sph\u00e9ricit\u00e9 d’une matrice de corr\u00e9lation renvoie \u00e0 la g\u00e9om\u00e9trie de l’espace multivari\u00e9 et \u00e0 l’absence de covariation entre diff\u00e9rentes variables mesur\u00e9es sur un \u00e9chantillon unique. La substitution erron\u00e9e de ces concepts dans les protocoles d’analyse t\u00e9moigne d’une m\u00e9connaissance des postulats sous-jacents : appliquer une formule de comparaison de variances inter-groupes alors que l’on souhaite justifier une factorisation d’items invalide l’ensemble de la d\u00e9marche d\u00e9ductive. Il est donc fondamental de dissocier de mani\u00e8re \u00e9tanche ces deux \u00e9difices conceptuels.<\/p>\n

2.2 Le test d’\u00e9galit\u00e9 des variances (homosc\u00e9dasticit\u00e9)<\/h3>\n

Le test de Bartlett pour l’\u00e9galit\u00e9 des variances, formul\u00e9 en 1937 dans son article Properties of sufficiency and statistical tests<\/em> publi\u00e9 dans les Proceedings of the Royal Society of London<\/a>, a pour finalit\u00e9 exclusive d’\u00e9prouver l’hypoth\u00e8se nulle selon laquelle k<\/em> groupes ind\u00e9pendants poss\u00e8dent des variances r\u00e9siduelles rigoureusement identiques :<\/p>\n

H<\/em>0<\/sub> : σ1<\/sub>2<\/sup> = σ2<\/sub>2<\/sup> = … = σk<\/sub>2<\/sup><\/p>\n

Cette v\u00e9rification repr\u00e9sente un postulat fondamental de l’analyse de variance univari\u00e9e (ANOVA) et des mod\u00e8les de r\u00e9gression lin\u00e9aire. Si les variances au sein des traitements ou des sous-groupes exp\u00e9rimentaux divergent de mani\u00e8re significative, la statistique de Fisher classique perd sa robustesse, gonflant ind\u00fbment le taux d’erreur de type I. Cependant, le test d’homosc\u00e9dasticit\u00e9 de Bartlett souffre d’une hypersensibilit\u00e9 notoire aux violations de la normalit\u00e9 univari\u00e9e : si les donn\u00e9es s’\u00e9cartent ne serait-ce que mod\u00e9r\u00e9ment d’une distribution gaussienne (asym\u00e9trie ou leptocurticit\u00e9), le test a tendance \u00e0 rejeter l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 des variances, non pas en raison d’une v\u00e9ritable h\u00e9t\u00e9rosc\u00e9dasticit\u00e9, mais uniquement sous l’effet de la non-normalit\u00e9. Pour cette raison pratique, les chercheurs en psychologie lui pr\u00e9f\u00e8rent couramment le test de Levene ou le test de Brown-Forsythe pour tester l’homosc\u00e9dasticit\u00e9 univari\u00e9e.<\/p>\n

2.3 Le test de sph\u00e9ricit\u00e9 des matrices de corr\u00e9lation<\/h3>\n

\u00c0 l’oppos\u00e9 de cette probl\u00e9matique univari\u00e9e inter-groupes, le test de sph\u00e9ricit\u00e9 de Bartlett appliqu\u00e9 aux matrices de corr\u00e9lation, introduit en 1950, intervient au sein d’un espace vectoriel multivari\u00e9 \u00e0 p<\/em> dimensions. Ici, il n’existe pas plusieurs sous-groupes exp\u00e9rimentaux \u00e0 comparer, mais un ensemble de p<\/em> variables observ\u00e9es collect\u00e9es sur une cohorte de n<\/em> observations. L’objet d’analyse n’est pas un scalaire de variance r\u00e9siduelle, mais la matrice de corr\u00e9lation empirique R<\/strong> de dimension p<\/em> × p<\/em>. L’objectif consiste \u00e0 comparer cette matrice globale \u00e0 une matrice th\u00e9orique de non-corr\u00e9lation, nomm\u00e9e matrice identit\u00e9<\/strong>.<\/p>\n

L’appellation g\u00e9om\u00e9trique de \u00ab sph\u00e9ricit\u00e9 \u00bb d\u00e9coule directement de la forme que prend la distribution conjointe des donn\u00e9es dans l’hyperespace. Si toutes les variables sont standardis\u00e9es (variance \u00e9gale \u00e0 1) et totalement d\u00e9corr\u00e9l\u00e9es (corr\u00e9lations nulles), les iso-contours de la fonction de densit\u00e9 normale multivari\u00e9e forment une hypersph\u00e8re parfaite \u00e0 p<\/em> dimensions. \u00c0 l’inverse, si des corr\u00e9lations existent, les iso-contours s’\u00e9tirent selon des axes privil\u00e9gi\u00e9s pour former un hyperellipso\u00efde, signalant l’existence d’une structure sous-jacente. Il appara\u00eet ainsi clairement que la sph\u00e9ricit\u00e9 en analyse factorielle renvoie \u00e0 l’isotropie de la distribution des donn\u00e9es multivari\u00e9es, un concept sans rapport avec l’homog\u00e9n\u00e9it\u00e9 des variances scalaires d’une ANOVA.<\/p>\n

3. Alg\u00e8bre matricielle sous-jacente : Matrice de corr\u00e9lation et matrice identit\u00e9<\/h2>\n

3.1 Structure et propri\u00e9t\u00e9s de la matrice de corr\u00e9lation observ\u00e9e<\/h3>\n

L’\u00e9valuation math\u00e9matique de la factorisabilit\u00e9 requiert une immersion dans l’alg\u00e8bre lin\u00e9aire multivari\u00e9e. Soit un tableau de donn\u00e9es empiriques regroupant n<\/em> individus mesur\u00e9s sur p<\/em> variables quantitatives. Apr\u00e8s centrage et r\u00e9duction de ces variables (soustraction de la moyenne empirique et division par l’\u00e9cart-type d’\u00e9chantillon), nous obtenons la matrice des variables standardis\u00e9es Z<\/strong> de dimension n<\/em> × p<\/em>. La matrice de corr\u00e9lation empirique, not\u00e9e R<\/strong>, se d\u00e9finit formellement par le produit tensoriel normalis\u00e9 :<\/p>\n

R<\/strong> = (1 \/ (n<\/em> – 1)) × Z<\/strong>T<\/sup>Z<\/strong><\/p>\n

Cette matrice carr\u00e9e de dimension p<\/em> × p<\/em> poss\u00e8de des propri\u00e9t\u00e9s alg\u00e9briques fondamentales. Elle est sym\u00e9trique par rapport \u00e0 sa diagonale principale, dans la mesure o\u00f9 le coefficient de corr\u00e9lation lin\u00e9aire de Pearson entre la variable j<\/em> et la variable k<\/em> est identique \u00e0 celui liant la variable k<\/em> \u00e0 la variable j<\/em> (r<\/em>jk<\/sub> = r<\/em>kj<\/sub>). Sa diagonale principale est exclusivement compos\u00e9e de 1, refl\u00e9tant la corr\u00e9lation unitaire de chaque variable avec elle-m\u00eame (r<\/em>jj<\/sub> = 1). Par cons\u00e9quent, la trace de la matrice, qui est la somme de ses \u00e9l\u00e9ments diagonaux, est strictement \u00e9gale au nombre de variables : tr(R<\/strong>) = p<\/em>. De plus, R<\/strong> est une matrice semi-d\u00e9finie positive (et g\u00e9n\u00e9ralement d\u00e9finie positive en l’absence de colin\u00e9arit\u00e9 exacte), ce qui implique que l’ensemble de ses p<\/em> valeurs propres (λ1<\/sub>, λ2<\/sub>, …, λp<\/sub>) sont des r\u00e9els positifs ou nuls dont la somme \u00e9quivaut \u00e9galement \u00e0 p<\/em>.<\/p>\n

\"Example
Example of a correlation matrix<\/figcaption><\/figure>\n

3.2 La matrice identit\u00e9 comme mod\u00e8le nul de non-corr\u00e9lation<\/h3>\n

Dans l’espace th\u00e9orique de l’hypoth\u00e8se nulle, le mod\u00e8le de r\u00e9f\u00e9rence absolu est repr\u00e9sent\u00e9 par la matrice identit\u00e9 de dimension p<\/em>, not\u00e9e I<\/strong>p<\/sub>. Cette matrice poss\u00e8de la particularit\u00e9 structurelle d’avoir des 1 sur toute sa diagonale principale et des z\u00e9ros absolus sur l’int\u00e9gralit\u00e9 de ses positions extradiagonales. Alg\u00e9briquement, elle s’exprime sous la forme du symbole de Kronecker : δjk<\/sub> = 1 si j<\/em> = k<\/em>, et δjk<\/sub> = 0 si j<\/em> ≠ k<\/em>.<\/p>\n

Sur le plan g\u00e9om\u00e9trique et statistique, la matrice identit\u00e9 incarne l’orthogonalit\u00e9 parfaite des axes de mesure au sein de la population. Dans une telle configuration, les p<\/em> variables observ\u00e9es sont totalement ind\u00e9pendantes les unes des autres sur le plan lin\u00e9aire ; la covariance entre toute paire d’items est rigoureusement nulle. Si les donn\u00e9es empiriques suivaient une distribution conforme \u00e0 la matrice identit\u00e9, chaque variable apporterait une information totalement herm\u00e9tique et isol\u00e9e de celle des autres. L’espace vectoriel des r\u00e9ponses psychologiques serait alors d\u00e9pourvu de toute redondance. Il en r\u00e9sulterait une impossibilit\u00e9 g\u00e9om\u00e9trique de compresser les donn\u00e9es : aucune combinaison lin\u00e9aire des variables ne pourrait capturer une variance sup\u00e9rieure \u00e0 celle d’une simple variable isol\u00e9e, car toutes les valeurs propres de I<\/strong>p<\/sub> sont uniform\u00e9ment \u00e9gales \u00e0 1 (λ1<\/sub> = λ2<\/sub> = … = λp<\/sub> = 1).<\/p>\n

\"Identity
Identity matrix example picture<\/figcaption><\/figure>\n

3.3 Divergence entre structure observ\u00e9e et matrice d’identit\u00e9<\/h3>\n

L’\u00e9valuation quantitative du d\u00e9saccord entre la matrice empirique R<\/strong> et la matrice identit\u00e9 I<\/strong>p<\/sub> repose sur un outil central de l’alg\u00e8bre matricielle : le d\u00e9terminant<\/strong> de la matrice de corr\u00e9lation, not\u00e9 det(R<\/strong>) ou |R<\/strong>|. Sur le plan g\u00e9om\u00e9trique, le d\u00e9terminant d’une matrice sym\u00e9trique d\u00e9finie positive mesure le volume de l’hyperparall\u00e9l\u00e9pip\u00e8de engendr\u00e9 par les vecteurs colonnes des variables dans l’espace euclidien standardis\u00e9. Ce d\u00e9terminant est math\u00e9matiquement born\u00e9 entre 0 et 1 :<\/p>\n

0 ≤ |R<\/strong>| ≤ 1<\/p>\n

Lorsque les variables sont mutuellement ind\u00e9pendantes, c’est-\u00e0-dire lorsque R<\/strong> = I<\/strong>p<\/sub>, les vecteurs sont parfaitement orthogonaux les uns aux autres. Le volume de l’hypercube unitaire est maximal et son d\u00e9terminant atteint sa borne sup\u00e9rieure : |I<\/strong>p<\/sub>| = 1. \u00c0 mesure que les variables s’intercorr\u00e8lent, les vecteurs se rapprochent g\u00e9om\u00e9triquement, l’hyperparall\u00e9l\u00e9pip\u00e8de s’aplatit, et le d\u00e9terminant |R<\/strong>| d\u00e9cro\u00eet inexorablement vers z\u00e9ro. Si deux variables sont parfaitement colin\u00e9aires, ou si une variable est une combinaison lin\u00e9aire exacte des autres, la matrice devient singuli\u00e8re et son volume s’effondre : |R<\/strong>| = 0. Le d\u00e9terminant mesure \u00e9galement le produit de toutes les valeurs propres de la matrice :<\/p>\n

|R<\/strong>| = ∏j=1<\/sub>p<\/sup> λj<\/sub><\/p>\n

Si la dispersion est sph\u00e9rique, le produit des valeurs propres vaut 1 × 1 × … × 1 = 1. Si une structure factorielle \u00e9merge, certaines valeurs propres deviennent largement sup\u00e9rieures \u00e0 1 (capturant les dimensions latentes), ce qui contraint les autres valeurs propres \u00e0 devenir nettement inf\u00e9rieures \u00e0 1 pour maintenir la somme \u00e9gale \u00e0 p<\/em>, pr\u00e9cipitant la chute de leur produit global vers z\u00e9ro. Le logarithme n\u00e9p\u00e9rien de ce d\u00e9terminant, ln(|R<\/strong>|), sert de fondement computationnel direct au test de Bartlett.<\/p>\n

4. Formulation des hypoth\u00e8ses statistiques et interpr\u00e9tation probabiliste<\/h2>\n

4.1 L’hypoth\u00e8se nulle (H0) : Absence d’intercorr\u00e9lation<\/h3>\n

Dans le paradigme de l’inf\u00e9rence statistique classique par test de signification d’hypoth\u00e8se nulle (NHST), la formulation math\u00e9matique rigoureuse de l’hypoth\u00e8se de base test\u00e9e par la proc\u00e9dure de Bartlett s’\u00e9nonce comme suit :<\/p>\n

H<\/em>0<\/sub> : P<\/strong> = I<\/strong>p<\/sub><\/p>\n

o\u00f9 P<\/strong> (la lettre grecque Rh\u00f4 majuscule) repr\u00e9sente la matrice de corr\u00e9lation de la population th\u00e9orique parente dont est issu l’\u00e9chantillon, et I<\/strong>p<\/sub> d\u00e9signe la matrice identit\u00e9 de dimension p<\/em>. Cette \u00e9galit\u00e9 matricielle \u00e9quivaut \u00e0 formuler simultan\u00e9ment un syst\u00e8me de p<\/em>(p<\/em> – 1) \/ 2 hypoth\u00e8ses nulles bivari\u00e9es : ρjk<\/sub> = 0 pour tout couple d’indices (j<\/em>, k<\/em>) tel que j<\/em> ≠ k<\/em>.<\/p>\n

La traduction conceptuelle de cette hypoth\u00e8se nulle est l’ind\u00e9pendance stochastique lin\u00e9aire compl\u00e8te de l’ensemble des indicateurs mesur\u00e9s au sein de la population. Sous H<\/em>0<\/sub>, la matrice observ\u00e9e R<\/strong> ne diff\u00e8re de la matrice identit\u00e9 que par l’effet de fluctuations d’\u00e9chantillonnage al\u00e9atoires et in\u00e9vitables. Sur le plan psychom\u00e9trique, le maintien de H<\/em>0<\/sub> signifie qu’il n’existe aucune dimension sous-jacente ou facteur commun liant les r\u00e9ponses des sujets : chaque item mesure une facette strictement idiosyncrasique ou du bruit pur. Dans une telle situation, la mise en \u0153uvre d’une analyse factorielle exploratoire ou d’une analyse en composantes principales est formellement prohib\u00e9e, car les facteurs extraits ne poss\u00e9deraient aucune r\u00e9alit\u00e9 substantielle.<\/p>\n

4.2 L’hypoth\u00e8se alternative (H1) : Pr\u00e9sence d’une structure factorielle<\/h3>\n

\u00c0 l’oppos\u00e9 du mod\u00e8le de non-corr\u00e9lation, l’hypoth\u00e8se alternative s’\u00e9nonce formellement par la n\u00e9gation de l’identit\u00e9 matricielle :<\/p>\n

H<\/em>1<\/sub> : P<\/strong> ≠ I<\/strong>p<\/sub><\/p>\n

Cette formulation n’exige pas que l’int\u00e9gralit\u00e9 des corr\u00e9lations de la matrice soient diff\u00e9rentes de z\u00e9ro, mais stipule qu’au moins une corr\u00e9lation de population ρjk<\/sub> (avec j<\/em> ≠ k<\/em>) s’\u00e9carte significativement de la valeur z\u00e9ro. En pratique, le rejet de l’hypoth\u00e8se nulle signifie que les covariations observ\u00e9es dans l’\u00e9chantillon pr\u00e9sentent une densit\u00e9 statistique trop \u00e9lev\u00e9e pour \u00eatre imputable au seul hasard de l’\u00e9chantillonnage.<\/p>\n

Sur le plan \u00e9pist\u00e9mologique, l’acceptation de H<\/em>1<\/sub> atteste de l’existence d’une interd\u00e9pendance globale entre les variables mesur\u00e9es. Cela implique que l’information v\u00e9hicul\u00e9e par les p<\/em> indicateurs pr\u00e9sente une redondance structurelle, ce qui l\u00e9gitime la tentative de compression dimensionnelle de rang inf\u00e9rieur. En psychom\u00e9trie, la confirmation de H<\/em>1<\/sub> constitue l’autorisation m\u00e9thodologique ouvrant la voie \u00e0 la mod\u00e9lisation en traits latents. L’analyste peut alors \u00e9mettre l’hypoth\u00e8se th\u00e9orique qu’une portion substantielle de la variance observ\u00e9e est r\u00e9gie par un nombre r\u00e9duit de variables inobservables communes, justifiant la d\u00e9composition subs\u00e9quente de la matrice.<\/p>\n

4.3 Seuils d\u00e9cisionnels et erreurs d’inf\u00e9rence (Type I et Type II)<\/h3>\n

La prise de d\u00e9cision statistique dans le cadre du test de Bartlett repose sur la confrontation de la p-valeur calcul\u00e9e avec un seuil de signification conventionnel α, traditionnellement fix\u00e9 \u00e0 0,05 ou 0,01. Si la p-valeur associ\u00e9e \u00e0 la statistique observ\u00e9e est strictement inf\u00e9rieure \u00e0 α (p<\/em> < 0,05), l’hypoth\u00e8se nulle H<\/em>0<\/sub> est rejet\u00e9e au profit de H<\/em>1<\/sub>, concluant que la matrice de corr\u00e9lation n’est pas une matrice identit\u00e9. Si p<\/em> ≥ 0,05, le chercheur \u00e9choue \u00e0 rejeter l’hypoth\u00e8se nulle et doit suspendre toute proc\u00e9dure de factorisation dimensionnelle.<\/p>\n

Cette dichotomie d\u00e9cisionnelle est soumise aux risques inh\u00e9rents \u00e0 l’inf\u00e9rence statistique :<\/p>\n