Analyse factorielle
L'analyse factorielle (factor analysis en anglais), aussi appelée analyse factorielle des variables
latentes, permet de mettre en évidence, lorsque cela est possible, l’existence de facteurs sous-jacents
communs aux variables quantitatives mesurées pour un ensemble d’observations.
Dans cette section :
Description
Boîte de dialogue
Résultats
Exemple
Bibliographie
Description
La méthode de l’analyse factorielle date du début du 20ième siècle (Spearman, 1904) et a connu de
nombreux développements, plusieurs méthodes de calcul ayant été proposées. Si cette méthode a
d’abord été utilisée par les psychométriciens, son champ d’application s’est peu à peu étendu à de
nombreux autres domaines, par exemple en géologie, médecine, finance.
On distingue aujourd’hui deux grands types d’analyse factorielle :
- l’analyse factorielle exploratoire (en anglais, exploratory factor analysis ou EFA)
- l’analyse factorielle confirmatoire (en anglais, confirmatory factor analysis ou CFA)
L’EFA correspond à ce qui est décrit ci-dessous et à ce qui est utilisé par XLSTAT. Il s’agit d’une
méthode qui permet de découvrir l’existence éventuelle de facteurs sous-jacents synthétisant
l’information contenue dans un plus grand nombre de variables mesurées. La structure liant les
facteurs aux variables est inconnue a priori et seul éventuellement le nombre de facteurs est supposé.
La CFA dans sa version traditionnelle s’appuie sur un modèle identique à celui de l’EFA, mais la
structure liant les facteurs sous-jacents aux variables mesurées est supposée connue. Une version
plus récente de la CFA est liée aux modèles d’
équations structurelles.
Passer de p variables à k facteurs
L’exemple historique de Speaman, même s’il a depuis fait l’objet de nombreuses critiques et
améliorations, permet de bien comprendre le principe et l’utilité de la méthode. En analysant les
corrélations entre les notes obtenues par des enfants dans différentes matières, Spearman a voulu
faire l’hypothèse que les notes dépendaient finalement d’un seul facteur, l’intelligence, avec une partie
résiduelle due à un effet individuel, culturel ou autre.
Ainsi la note obtenue par l’individu (i) dans une matière (j) peut s’écrire x(i,j) = µ + b(j)F + e(i,j), avec µ
la note moyenne de l’
échantillon étudié, et où F est le niveau d’intelligence de l’individu (le facteur sous-jacent) et e(i,j) le
résidu.
En généralisant cette écriture à p matières (les variables d’entrée) et à k facteurs sous-jacents, on
obtient le modèle suivant :
(1) x = µ + Lf + u
où x est un vecteur de dimension (p x 1), µ est le vecteur moyen, L est la matrice (p x k) des
coordonnées factorielles (loadings en anglais) et f et u sont des vecteurs aléatoires de dimensions
respectives (k x 1) et (p x 1), que l’on suppose indépendants. Les éléments de f sont appelés facteurs
communs, et ceux de u facteurs spécifiques.
Si l’on s’impose que la norme de f vaut 1, alors la matrice de covariance des variables d’entrée sur la
base de l’expression (1) s’
écrit
1
(2) S = LL’ + Y
Ainsi, la variance de chacune des variables peut être divisée en deux parties : la communalité (car
provenant des facteurs communs),
(3) ,
et la variance spécifique ou variance unique (car spécifique à la variable en question).
On peut montrer que la méthode qui permet de calculer la matrice L, enjeu essentiel de l’analyse
factorielle, est indépendante de l’échelle. Il est donc équivalent de travailler à partir de la matrice de
covariance ou de la matrice de corrélation.
L’enjeu de l’analyse factorielle est de permettre de trouver les matrices L et Y, de telle sorte que
l’équation (2) soit au moins approximativement vérifiée.
Remarque : l’analyse factorielle est parfois rapprochée de l’Analyse en Composantes Principales
(ACP), car l’ACP est un cas particulier de l’analyse factorielle (cas où k le nombre de facteurs vaut p le
nombre de variables). Néanmoins ces deux méthodes ne sont en général pas utilisées dans le même
contexte. En effet, l’ACP est avant tout utilisée pour réduire le nombre de dimensions tout en
maximisant la variabilité conservée, pour obtenir des facteurs indépendants (non corrélés), ou pour
visualiser les données dans un espace à 2 ou trois dimensions. L’analyse factorielle est quant à elle
utilisée pour identifier une structure latente, et pour éventuellement réduire par la suite le nombre de
variables mesurées si elles sont redondantes vis-à-vis des facteurs latents.
Extraction des facteurs
Trois méthodes d’extraction des facteurs latents sont proposées par XLSTAT :
- Composantes principales : cette méthode est aussi celle utilisée en Analyse en Composantes
Principales (ACP). Elle n’
est proposée ici que dans un but de comparaison entre les résultats des trois méthodes, sachant que
les résultats proposés dans le module dédié à l’ACP sont plus complets.
- Facteurs principaux : cette méthode est probablement la plus utilisée. C’est une méthode
itérative qui permet de faire converger progressivement les communalités. Les calculs sont
interrompus dès que le changement maximum des communalités est en dessous d’un seuil donné, ou
lorsqu’un nombre maximal d’itérations est atteint. Les communalités initiales peuvent être calculées
suivant différentes méthodes.
- Maximum de vraisemblance : cette méthode a d’abord été proposée par Lawley (1940). La
proposition de l’utilisation de l’
algorithme de Newton-Raphson (méthode itérative) date de Jennrich (1969). Elle a ensuite été
améliorée et généralisée par Jöreskog (1977). Cette méthode fait l’hypothèse que les variables
d’entrée suivent une distribution normale. Les communalités initiales sont calculées suivant la
méthode proposée par Jöreskog (1977). Dans le cadre de cette méthode, un test d’ajustement est
calculé. La statistique utilisée pour le test suit une loi du Khi² à (p-k)² / 2 – (p+k) / 2 degrés de liberté,
où p est le nombre de variables et k le nombre de facteurs.
Nombre de facteurs
La détermination du nombre de facteurs à retenir est l’un des enjeux de l’analyse factorielle. La
méthode « automatique » proposée par XLSTAT est uniquement basée sur la décomposition
spectrale de la matrice de corrélation et sur la détection d’un seuil à partir duquel l’apport d’information
(au sens de la variabilité) n’est pas significatif.
Si la méthode du maximum de vraisemblance propose un test d’ajustement pour aider à déterminer
quel est le bon nombre de facteurs principaux, pour la méthode des facteurs principaux les méthodes
sont plus empiriques.
La règle de Kaiser-Guttman propose de ne retenir que les facteurs pour lesquels les valeurs propres
associées sont supérieurs strictes à 1 (les calculs doivent alors être effectués sur la matrice des
corrélations). Le scree test (Cattell, 1966) est fondé sur la courbe décroissante des valeurs propres.
2
Le nombre de facteurs à retenir correspond au premier point d’inflexion détecté sur la courbe. Des
méthodes de validation croisée ont aussi été proposées dans ce but.
Cas problématiques (Heywood cases)
Les communalités sont par définition des carrés de corrélations. Elles doivent donc être comprise
entre 0 et 1. Néanmoins, il se peut que les algorithmes itératifs (méthode des facteurs principaux ou
du maximum de vraisemblance) engendrent des solutions pour lesquelles les communalités sont
égales à 1 (Heywood cases) ou supérieures à 1 (ultra Heywood cases). Les raisons de telles
anomalies peuvent être multiples (trop de facteurs, pas assez de facteurs, …). Lorsque de tels cas
sont rencontrés XLSTAT fixe les communalités à 1 et adapte en conséquence les éléments de L.
Rotations
Une fois les résultats obtenus, il est possible de les transformer afin de les rendre plus facilement
interprétables, par exemple en essayant de faire en sorte que les coordonnées des variables sur les
facteurs soient ou élevées (en valeur absolue), ou proches de zéro. On distingue deux grandes
familles de rotations :
- les rotations orthogonales peuvent être utilisées lorsque les facteurs ne sont pas corrélés
(d’où orthogonales). Les méthodes proposées par XLSTAT sont Varimax, Quartimax, Equamax,
Parsimax, Orthomax. La rotation Varimax est la plus utilisée. Elle permet de faire en sorte que pour
chaque facteur, il y ait peu de coordonnées factorielles (loadings) élevées, et beaucoup de faibles.
L’interprétation est ainsi facilitée puisqu’en principe les variables initiales seront surtout associées à
l’un des facteurs.
- les transformations obliques peuvent être utilisées lorsque les facteurs sont corrélés (d’où
obliques). Les méthodes proposées par XLSTAT sont Quartimin et Oblimin.
La méthode Promax, également proposée par XLSTAT, est une procédure mixte puisqu’elle consiste
d’abord en une rotation Varimax, puis en une rotation oblique telle que les coordonnées factorielles
(loadings) élevées et faibles soient les mêmes, mais avec les valeurs faibles encore plus faibles.
Boîte de dialogue
La boîte de dialogue est composée de plusieurs onglets correspondant aux différentes options
disponibles tant pour la gestion des calculs que pour l’affichage des résultats. Vous trouverez ci-
dessous le descriptif des différents éléments de la boîte de dialogue.
: cliquez sur ce bouton pour lancer les calculs.
: cliquez sur ce bouton pour fermer la boîte de dialogue sans effectuer les calculs.
: cliquez sur ce bouton pour afficher l’aide.
: cliquez sur ce bouton pour rétablir les options par défaut.
: cliquez sur ce bouton pour effacer les sélections de données.
: cliquez sur ce bouton pour changer la façon dont XLSTAT doit charger les données. Si la flèche est
vers le bas, XLSTAT considère que les observations sont en lignes et les variables en colonnes. Si la
flèche est vers la droite, XLSTAT considère que les variables sont en lignes et les observations en
colonnes.
Onglet Général :
Le champ principal de saisie des données vous permet de sélectionner alternativement trois types de
tableaux :
Tableau observations/variables / Matrice de corrélation / Matrice de covariance : choisissez l’option
qui correspond au format de vos données, puis sélectionnez les données. Dans le cas de l’option
Tableau observations/variables sélectionnez un tableau comprenant N observations décrites par P
variables quantitatives. Dans le cas d’une matrice de corrélation ou de covariance sélectionnez une
matrice carrée. Si des en-têtes de colonnes ont été sélectionnés, veuillez vérifier que l’option
3
« Libellés des variables » est activée. Dans le cas d’une matrice de corrélation ou de covariance, si
les libellés des colonnes sont sélectionnés, ceux des lignes doivent l’être aussi.
Corrélation : choisissez le type de matrice qui doit être utilisé par l’analyse factorielle. Le cas Pearson
(n) se distingue du cas Pearson (n-1) par la façon dont sont normalisées les variables. Cela n’a
d’influence que sur les coordonnées des observations.
Méthode d’extraction : choisissez la méthode d’extraction des facteurs à utiliser. Les trois méthodes
possibles sont (voir la section description pour plus de détails) :
· Composantes principales
· Facteurs principaux
· Maximum de vraisemblance
Plage : si vous activez cette option, les résultats seront affichés à partir d'une cellule située dans une
feuille existante. Vous devez alors sélectionner la cellule.
Feuille : activez cette option pour afficher les résultats dans une nouvelle feuille du classeur actif.
Classeur : activez cette option pour afficher les résultats dans un nouveau classeur.
Libellés des variables : activez cette option si la première ligne des données sélectionnées (Tableau
observations/variables, libellés des observations, poids) contient un libellé. Dans le cas où la sélection
est une matrice de corrélation ou de covariance, si cette option est activée, la première colonne doit
aussi comprendre le libellé des variables.
Libellés des observations : activez cette option si vous voulez utiliser des libellés d’observations pour
l’affichage des résultats. Si l'option « Libellés des variables » est activée, la première cellule de la
sélection doit comprendre un en-tête. Si vous n’activez pas cette option, des libellés seront
automatiquement créés (Obs1, Obs2, …).
Poids : activez cette option si vous voulez pondérer les observations. Si vous n’activez pas cette
option, les poids seront tous considérés comme valant 1. Les poids doivent être impérativement
supérieurs ou égaux à 0. Si un en-tête de colonne a été sélectionné, veuillez vérifier que l’option
« Libellés des variables » est activée.
Onglet Options :
Nombre de facteurs :
· Automatique : activez cette option pour que XLSTAT détermine automatiquement le nombre
de facteurs.
· Défini par l’utilisateur : activez cette option pour indiquer à XLSTAT quel est le nombre de
facteurs à considérer pour les calculs.
Communalités initiales : choisissez la méthode de calcul des communalités initiales (cette option n’est
visible que dans le cas de la méthode des facteurs principaux) :
· Carrés des corrélations multiples : les communalités initiales sont basées sur le niveau de
dépendance d’une variable vis-à-vis des autres variables.
· Aléatoires : les communalités initiales sont tirées dans l’intervalle ]0 ; 1[.
· 1 : les communalités initiales sont fixées à 1.
· Maximum : les communalités initiales sont fixées à la valeur maximum des carrés des
corrélations multiples.
Conditions d’arrêt :
4
· Itérations : entrez le nombre maximal d'itérations pour l’algorithme. Les calculs sont
interrompus dès que le nombre maximal d'itérations est dépassé. Valeur par défaut : 50.
· Convergence : entrez la valeur seuil d’évolution maximale des communalités d’une itération à
l’autre, qui une fois atteinte permet de considérer que l’algorithme a convergé. Valeur par défaut :
0,0001.
Rotation : activez cette option si vous voulez appliquer une rotation à la matrice des coordonnées
factorielles.
· Nombre de facteurs : entrez le nombre de facteurs auxquels la rotation doit être appliquée.
· Méthode : choisissez la méthode de rotation à utiliser. Pour certaines méthode la valeur d’un
paramètre doit être entrée (Gamma pour Orthomax, Tau pour Oblimin, et la puissance pour Promax).
· Normalisation de Kaiser : activez cette option pour appliquer la normalisation de Kaiser
pendant le calcul des rotations.
Onglet Données manquantes :
Ne pas accepter les valeurs manquantes : activez cette option pour que XLSTAT empêche la
poursuite des calculs si des valeurs manquantes sont détectées.
Supprimer les observations : activez cette option pour supprimer les observations comportant des
données manquantes.
Suppression par paire : activez cette option pour supprimer les observations comportant des données
manquantes uniquement lorsque les variables impliquées dans les calculs comportent des données
manquantes. Par exemple lors du calcul d’une corrélation entre deux variables, une observation ne
sera ignorée que si la donnée correspondant à l’une des deux variables est manquante.
Estimer les données manquantes : activez cette option pour estimer les données manquantes avant le
début des calculs.
· Moyenne ou mode : activez cette option pour estimer les données manquantes en utilisant la
moyenne (variables quantitatives) ou le mode (variables qualitatives) pour les variables
correspondantes.
· Plus proche voisin : activez cette option pour estimer les données manquantes d'une
observation en recherchant le plus proche voisin de l'observation.
Onglet Sorties :
Statistiques descriptives : activez cette option pour afficher les statistiques descriptives pour les
variables sélectionnées.
Corrélations : activez cette option pour afficher la matrice de corrélation ou de covariance en fonction
du type d’options choisi dans l’onglet « Général ». Si l’option « Tester la significativité » est activée, les
corrélations significatives au seuil de signification sont affichées en gras.
Alpha de Cronbach : activez cette option pour calculer et afficher le alpha de Cronbach.
Valeurs propres : activez cette option pour afficher le tableau et le graphique (scree plot) des valeurs
propres.
Coordonnées factorielles : activez cette option pour afficher les coordonnées factorielles (coordonnées
des variables dans l’
espace des facteurs).
Corrélations Variables/Facteurs : activez cette option pour afficher les corrélations entre les facteurs et
les variables.
Coefficients du modèle factoriel : activez cette option pour afficher les coefficients du modèle factoriel.
La multiplication des coordonnées (centrées et réduites) des observations dans l’espace d’origine par
ces coefficients permet d’obtenir les coordonnées des observations dans l’espace des facteurs.
5
Structure factorielle : activez cette option pour afficher les corrélations entre les variables et les
facteurs après rotation.
Onglet Graphiques :
Graphiques des variables : activez cette option pour afficher les graphiques de représentation des
variables dans le nouvel espace.
· Vecteurs : activez cette option pour afficher les variables d’origine sous forme de vecteurs.
Graphiques de corrélations : activez cette option pour afficher les graphiques mettant en jeu des
corrélations entre des composantes et des variables initiales.
· Vecteurs : activez cette option pour afficher les variables d’origine sous forme de vecteurs.
Graphiques des observations : activez cette option pour afficher les graphiques de représentation des
observations dans le nouvel espace.
· Etiquettes : activez cette option pour afficher les étiquettes des observations sur les
graphiques. Le nombre d’
étiquettes affichées peut être modulé à l’aide de l’option de filtrage.
Etiquettes colorées : activez cette option pour que les étiquettes soient de la même couleur que les
points correspondants.
Filtrer : activez cette option pour fixer le nombre d’observations affichées :
· Aléatoire : les observations à afficher sont sélectionnées de manière aléatoire. Le « Nombre
d’observations » doit alors être saisi.
· N premières lignes : les N premières observations sont affichées. Le « Nombre
d’observations » N doit alors être saisi.
· N dernières lignes : les N dernières observations sont affichées. Le « Nombre
d’observations » N doit alors être saisi.
· Variable de groupe : si vous choisissez cette option, vous devez ensuite sélectionner une
variable indicatrice composée de 1 pour les observations à afficher, et de 0 pour les observations à ne
pas afficher.
Résultats
Statistiques descriptives : le tableau de statistiques descriptives présente pour toutes les variables
sélectionnées des statistiques simples. Sont affichés le nombre d’observations, le nombre de données
manquantes, le nombre de données non manquantes, la moyenne, et l’écart-type (non biaisé).
Matrice de corrélation/de covariance : ce tableau correspond aux données qui sont ensuite utilisées
pour les calculs. Le type de corrélation dépend de l’option qui a été choisie dans l’onglet « Général »
de la boîte de dialogue. Dans le cas de corrélations, les corrélations significatives sont affichées en
gras.
Alpha de Cronbach : si l’option correspondante a été activée, la valeur du Alpha de Cronbach est
affichée.
Changement maximum de communalité à chaque itération : ce tableau permet d’observer l’évolution
du changement maximum de communalité pour les 10 dernières itérations. Dans le cas de la méthode
du maximum de vraisemblance, l’
évolution d’un critère proportionnel à l’opposé du maximum de vraisemblance est aussi affichée.
Test d'ajustement : le test d’ajustement n’est affiché que dans le cas où la méthode du maximum de
vraisemblance a été choisie.
6
Matrice des corrélations reproduites : cette matrice est le produit de la matrice des coordonnées
factorielles par sa transposée.
Matrice de corrélation résiduelle : cette matrice est calculée comme la différence entre la matrice de
corrélation des variables, et la matrice des corrélations reproduites.
Valeurs propres : dans ce tableau sont affichées les valeurs propres associées aux différents facteurs,
ainsi que les pourcentages et pourcentages cumulés correspondants.
Vecteurs propres : dans ce tableau sont affichées les vecteurs propres.
Coordonnées factorielles : dans ce tableau sont affichées les coordonnées factorielles (coordonnées
des variables dans l’
espace des facteurs, appelées factor loadings ou factor pattern en anglais). Le graphique
correspondant est affiché.
Corrélations Variables/Facteurs : dans ce tableau sont affichées les corrélations entre les facteurs et
les variables.
Coefficients du modèle factoriel : dans ce tableau sont affichés les coefficients du modèle factoriel. La
multiplication des coordonnées (centrées et réduites) des observations dans l’espace d’origine par ces
coefficients permet d’obtenir les coordonnées des observations dans l’espace des facteurs.
Dans le cas où une rotation a été demandée, les résultats de la rotation sont affichés, avec en premier
la matrice de rotation appliquée aux coordonnées des variables. Suivent ensuite les pourcentages
modifiés de variabilité associés à chacun des axes concernés par la rotation. Dans les tableaux
suivants sont affichées les coordonnées des variables et des observations après rotation.
Structure factorielle : dans ce tableau sont affichées les corrélations entre les variables et les facteurs
après rotation.
Exemple
Un exemple d'utilisation de l'Analyse Factorielle est disponible sur le site Internet de Addinsoft à
l'adresse
http://www.xlstat.com/demo-faf.htm
Comment faire une analyse factorielle des variables latentes avec
XLSTAT ?
demoFAf.xls
Une feuille Excel comprenant à la fois les données et les résultats de l'analyse peut être
téléchargée en cliquant ici. Les données proviennent de [Kendall M. (1975). Multivariate
analysis. Griffin, London] et correspondent à 48 candidats pour un poste en entreprise
ayant été évalués sur 15 critères :
- Lettre de motivation
- Présentation
- Niveau d'études
- Sympathie
- Confiance en soi
- Lucidité
- Honnêteté
- Sens commercial
7
- Expérience
- Charisme
- Ambition
- Compréhension
- Potentiel
- Motivation pour le poste
- Adéquation
Parce que les corrélations entre les critères sont importantes, il est possible que la
personne interviewant les candidats ait confondu certains critères ou que certains critères
soient redondants. On a procédé à une analyse factorielle des variables latentes, afin de
déterminer quels sont les critères (ou facteurs) latents. Plusieurs méthodes d'analyse
factorielle des variables latentes existent. Trois méthodes d'extraction des facteurs sont
proposées par XLSTAT (composantes principales, facteurs principaux, et maximum de
vraisemblance). Nous utilisons ici la méthode des facteurs principaux dans le but de
générer quatre facteurs, avant de procéder à une rotation varimax pour faciliter
l'interprétation des résultats.
Pour activer la boîte de dialogue de l'analyse factorielle, lancez XLSTAT, puis sélectionnez
la commande XLSTAT/Analyse de données/Analyse Factorielle, ou cliquez sur le bouton
équivalent de la barre d'outils "Analyse des données".
Une fois le bouton cliqué, la boîte de dialogue apparaît. Vous pouvez alors sélectionner
les données sur la feuille Excel.
8
Dans l'onglet "Options" la rotation Varimax sur les deux premiers facteurs a été choisie.
Les options de sortie et de graphiques suivantes sont activées.
9
Une fois que vous avez cliqué sur le bouton "OK", les calculs commencent puis les
résultats sont affichés. Les premiers résultats sont les statistiques descriptives simples
des variables sélectionnées, puis la matrice de corrélation pour ces mêmes variables. On
note que certaines corrélations sont importantes (0.883 pour Compréhension et
Lucidité). On remarque que le juge est probablement influencé par l'expérience et le
charisme du candidat lorsqu'il détermine l'Adéquation entre le candidat et le poste.
Le alpha de Cronbach standardisé est ensuite calculé. Il vaut ici 0.914, ce qui indique
qu'il y a probablement de la redondance dans les variables sélectionnées.
L'algorithme utilisé pour le calcul des facteurs principaux est itératif. Dans notre cas,
l'algorithme a convergé au bout de 41 itérations pour atteindre une précision de 0,0001
sur le critère du changement maximum de communalité entre deux itérations. La
méthode consiste à essayer de reproduire la matrice des corrélations. La matrice des
10
corrélations reproduites et des corrélations résiduelles permet de mesurer cas par cas si
les corrélations sont bien reproduites ou non.
Dans le tableau ci-dessous sont affichées les valeurs propres issues de l'analyse
factorielle. Nous constatons qu'avec quatre facteurs on conserve 74.5 % de la variabilité
des données initiales.
Remarque : les valeurs propres affichées ci-dessus sont celles qui correspondent à
l'analyse factorielle par la méthode des facteurs prinicpaux. Avec l'analyse en
composantes principales on obtiendrait pour les 10 premiers facteurs :
La rotation varimax change la façon dont chaque facteur représente une part de la
variance. La rotation varimax rend l'interprétation plus aisée en maximisant la variance
du carré des coordonnées des variables par colonne. Pour un facteur donné, les
coordonnées élevées le sont encore plus, les coordonnées faibles le sont encore plus, et
les coordonnées intermédiaires deviennent soit plus élevées, soit plus faibles. Le % de
variance correspondant au premier reste bien entendu inchangé, même si au niveau de
chacun des deux axes pris en compte pour la rotation les % sont inchangés.
On peut ensuite analyser les coordonnées des variables après la rotation varimax. Ces
résultats sont utilisés pour interpréter le sens des facteurs après rotation.
11
D'après le tableau ci-dessus, on remarque que le premier facteur est fortement lié à
l'Ambition, à la Confiance en soi, au Sens commercial et à la Lucidité. Le second facteur
est quant à lui lié à la Lettre de motivation, à l'Expérience, et à l'Adéquation. De ces
résultats, on déduit que les candidats qui ont des coordonnées élevées sur le premier
facteur sont des commerciaux prometteurs, tandis que ce que l'on destinerait à des
postes de management auraient plutôt des coordonnées élevées sur le second et le
troisième facteurs.
Le graphique ci-dessous donne la position des variables sur les axes F1 et F2.
12
Le alpha de Cronbach est ensuite calculé pour chaque facteur, en prenant pour chaque
facteur, les variables dont la valeur absolue de la coordonnée (ou loading) est maximale
pour ce facteur. Le alpha est proche de 1 pour les facteurs après rotation. Ceci semble
confirmer que ces deux facteurs ont un caractère unidimensionnel, traduisant un facteur
latent.
Un tableau suivant fournit les coordonnées des individus sur les axes factoriels après la
rotation varimax.
13
XLSTAT affiche la carte factorielle en deux dimensions. Le graphique ci-dessous
correspond à la carte factorielle sur F1 et F2.
Les meilleurs candidats sont probablement les individus 40 et 39. S'ils refusent l'offre, les
candidats 8, 20,22,23,24 seraient une alternative.
Regardez une démonstration de ce tutoriel dans la vidéo suivante.
14
Cliquez ici pour accéder à d'autres tutoriels.
Bibliographie
Cattell, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1,
245-276.
Crawford C.B. and Ferguson G.A. (1970). A general rotation criterion and its use in orthogonal
rotation. Psychometrika, 35(3), 321-332.
Cronbach L. J. (1951). Coefficient Alpha and the internal structure of test. Psychometrika, 16(3), 297-
334.
Cureton E.E. and Mulaik S.A. (1975). The weighted Varimax rotation and the Promax rotation.
Psychometrika, 40(2), 183-195.
Jennrich R.I. and Robinson S.M. (1969). A Newton-Raphson algorithm for maximum likelihood factor
analysis. Psychometrika, 34
(1), 111-123.
Jöreskog K.G. (1967). Some contributions to maximum likelihood factor analysis. Psychometrika,
32(4), 443-481.
Jöreskog K.G. (1977). Factor Analysis by Least-Squares and Maximum Likelihood Methods, in
Statistical Methods for Digital Computers, eds. K. Enslein, A. Ralston, and H.S. Wilf. John Wiley and
Sons, New York.
Lawley D.N. (1940). The estimation of factor loadings by the method of maximum likelihood.
Proceedings of the Royal Society of Edinburgh. 60, 64-82.
Loehlin J.C. (1998). Latent Variable Models: an introduction to factor, path, and structural analysis,
LEA, Mahwah.
Mardia K.V., Kent J.T. and Bibby J.M. (1979). Multivariate Analysis. Academic Press, London.
Spearman C. (1904). General intelligence, objectively determined and measured. American Journal of
Psychology, 15, 201-293.
15
