L’ACP sur SPSS

Méthode d’épuration des échelles de

mesure

Hassen Mzali & Azza Temssek Behi

Objectif de l’analyse factorielle
C’est une approche qui vise à réduire un grand
nombre d’informations sur un sujet donné à un petit
nombre d’éléments
plus facilement interprétables.

ACP

AFC ACM
 Objectif de l’analyse
factorielle
• S’applique à des données quantitatives
ACP • Teste la dimensionnalité des échelles de
mesure psychométriques

AFC • S’applique à deux variables qualitatives

• Décrire les individus sur deux dimensions

• S’applique à plusieurs variables qualitative

ACM et/ou quantitatives.

• Identifier les similarités des individus sur 2
ou 3 dimensions.
 Exemples d’études traitées
par l’analyse factorielle

ACP AFC ACM

• Étude sur la • Étude sur le • Étude sur le choix
perception des choix du du domaine
d’études sup :
marques de domaine
• sexe: F/M
voitures d’études sup : • études:Gestion/M
• Développeme • sexe: F/M édcine/sciences/a
nt/test d’une • études:Gestio rt
échelle de n/Médcine/sci • Csp du père:
mesure ences/art cadre/ prof
lib/ouvrier, etc.
 L’analyse en composante
principale (ACP): Plan
Les principes et les
conditions de l’ACP

Étapes et application
SPSS

Interprétation des
données
 Le principe de l’ACP
• Elle repose sur l’étude de la corrélation entre les
variables prises globalement. Elle définit de nouvelles
variables (composantes/facteurs) qui seront utilisées
pour représenter les données plus simplement.

Résumer les Réduire les données:

données: Calculer des scores
Décrire en fonction pour chaque
des composantes dimension
Les conditions de l’ACP
• La taille de l’échantillon dépend du nombre
Taille de d’items (variables) : Il faut un minimum de
l’échantillon • cinq observations par item (un ratio de 10
pour 1 est préférable). 10 varb n=100

• Les mesures des variables introduites

Échelle de doivent être de la même forme: ex:5 choix de
réponse. Sin non les données doivent être
mesure standardisées.

• Les variables doivent être quantitatives et en

nombre suffisant à partir de 3.
variables • Les variables doivent présenter un ensemble
cohérent qui justifie une factorisation
Les étapes de l’ACP
• vérifier l’adéquation des données
1 à une factorisation

• identification du nombre de
2 facteurs

• Choix de la rotation des données

3
Les étapes de l’ACP

• Définition « littéraire
4 » des facteurs

• Interprétation des
5 données
 Etape1: l’adéquation des
données
• Il s’agit de s’assurer que les données sont
factorisables:

Il doit y avoir assez de corrélations entre les

données pour chercher des dimensions
communes qui aient un sens et qui ne
soient pas des artefacts statistiques (Evrard
et al., 2003).
 Etape1: l’adéquation des données
(tests de vérification)

La matrice
• Vérifier le lien entre les variables. La
des corrélation est forte à partir de 0.5
corrélation

• représente la valeur négative des

La matrice corrélations partielles. Des
corrélations anti-image importantes
anti-image indiquent que la matrice des données
n’est peut-être pas adaptée à l’ACP
 Etape1: l’adéquation des données
(tests de vérification)

• Indique dans quelle proportion les

Kaiser- variables retenues forment un
Meyer- ensemble cohérent et mesurent de
manière adéquate un concept.
Olkin • KMO> 0.7 fet tendre vers 1
factorisation acceptable (Hair et al.,
(KMO) 2006)

Le test de .fournit la probabilité de l’hypothèse nulle

selon laquelle toutes les corrélations sont
Sphéricité de zéro.
de Bartlett .Si sig ≤0.05 H0 est rejetée. On peut
continuer l’analyse.
 Etape 2: identification du
nombre de facteurs
• Trois méthodes sont applicables :

l’« eigenvalue »/ • Une valeur propre représente la quantité

test de Kaiser- d’informations capturée par un facteur.
• Valeur propre >1
Guttman
• Lorsque, entre deux facteurs, la décroissance en
le « Scree Test », termes d’informations devient faible ou nulle, on peut
estimer que le dernier facteur ne contient pas
ou test du coude suffisamment d’informations pour être retenu.

• L’objectif est de s’assurer qu’un facteur explique une

pourcentage de quantité significative de variance. Il est souvent
variance restitué conseillé d’arrêter l’extraction lorsque 60 % de la
variance expliquée est extraite (Hair et al., 2006).
 Exemple : extraction des
facteurs par la variance
 Exemple d’extraction des
facteurs par la méthode du coude
 Étape 3: choix de la
matrice de rotation

quoi quand
redistribution de si les items sont
la variance des faiblement
premiers corrélés à un
facteurs extraits facteur
pour que
chaque item ne
soit fortement Si les items sont
lié qu’à un seul partagés entre
facteur plusieurs
facteurs
La rotation des axes
 Étape 3: choix de la
matrice de rotation
• minimise le nombre de variables ayant de forte
Varimax corrélations sur chaque facteur( en augmentant
(orthogonale) le poids des facteurs). Simplifie l’interprétation
des facteurs.

• axes se positionnent en fonction des items et

Oblimin direct/Promax ne sont donc pas orthogonaux.
(oblique) • Elle suppose que théoriquement les facteurs
sont interdépendants

Quartimax • augmenter les poids variables indûment sur

une composante en négligeant les autres
(orthogonale) (cas de plusieurs dimensions)

méthode de rotation qui minimise à la fois le

Equamax nombre de variables qui pèsent fortement sur un
(orthogonale) facteur et le nombre de facteurs requis pour
expliquer une variable .
 Définition des facteurs et
interprétation des données
 Présentation graphique des
composantes
L’AFE (ACP) pour vérifier le
nombre de dimensions d’un
concept
• Dans la recherche en marketing et en
management, l’ACP appelée aussi AFE
(E=exploratoire) est souvent utilisée dans
la phase de purification des échelles de
mesure psychométriques.

Il s’agit de vérifier si le construit mesuré est

unidimensionnel ou multidimentionnel.
 Étapes de l’épuration des
échelles de mesure
Vérifier la dimensionnalité de l’échelle

• Choix du nombre de facteurs (par les méthodes

citées au dessus)

Validité convergente/discriminante

• Examen des communalités

• Examen des coefficients de corrélation

Fiabilité de l’échelle de mesure

• L’alpha de Cronbach
 Élimination des items

• Il s’agit d’éliminer des items pour respecter le

principe de validité du construit:

• Validité convergente: les indicateurs d’un même

construit sont corrélés
• Validité discriminante: les indicateurs de mesure d’un
construit sont faiblement corrélés aux indicateurs de
mesure d’autres construits, conceptuellement distincts
du premier (pour les dimensions d’une même échelle ou
des échelles différentes)
 Élimination des items
1. vérifier la qualité de représentation des items en
examinant les «communalités »/ qualité de
représentation (part de variance expliquée par l’item).

La communalité doit de préférence dépasser 0.5

0.40 moyen
0.65 bon
≤ 0.80 excellent

(Source Evrard et al., 2003)

 Élimination des items
2. Examiner les coefficients de corrélations: les items
doivent être suffisamment corrélés à un facteur

Eliminer les items dont le poids factoriel est

partagé entre plusieurs facteurs/ ou dont le poids
factoriel est sup à 0.3 sur plusieurs facteurs.

• Eliminer les items n’ayant aucune contribution

supérieure ou égale à 0,50 sur l’une des composantes
principales identifiées. Cette règle dépend de la taille de
l’échantillon (Hair et al., 2006)
 Élimination des items

• Hair et al., (2006)

 La fiabilité de l’échelle de
mesure
• L’alpha de Cronbach est un coefficient de fiabilité qui mesure la
cohérence interne d’une échelle construite à partir d’un ensemble
d’items. Ce test permet de voir l’amélioration de la valeur du test
avec l’élimination de chaque item.

• Le seuil d’acceptabilité de l’alpha varie selon l’objectif de

la recherche:
• Pour une étude exploratoire, un coefficient plus faible
est acceptable (0,7)
• dans le cadre d’une recherche confirmatoire, il doit être
plus élevé (> 0,8) (Nunnally et Bernstein, 1994).
 Les valeurs de l’alpha de
Cronbach

De vellis (2003)

Dans certains cas un valeur insuffisante peut être due à un nombre

faible d’items et vice versa.
 Conclusion: quelques
recommandations

1.Certains items peuvent être inversé pour

s’assurer de la validité de l’échelle.
2.L’AFE est un processus itératif : il faut refaire
l’analyse après chaque élimination d’un
indicateurs.
3. Effectuer des rotations sur les axes avant
d’éliminer les items.
 Application d’une ACP sur
SPSS
Fichier challenge: une AFE sur l’échelle de l’ambition professionnelle à
10 items
• Item 1 - J’aimerais avoir un poste plus important et que les autres
m’envient.
• Item 2 - J’aime bien discuter avec des gens importants.
• Item 3 - Je veux être une personne importante dans la communauté.
• Item 4 - J’admire beaucoup les gens qui ont gravi les échelons et sont au
sommet.
• Item 5r - Si j’avais suffisamment d’argent, je ne travaillerais plus*.
• Item 6 - Même si je gagnais beaucoup d’argent au jeu, je continuerais à
exercer mon métier.
• Item 7r - Si je pouvais toucher le chômage, je préférerais ne pas travailler*.
• Item 8 - J’aime être admiré(e) pour ma réussite.
• Item 9r - Je n’aime pas être remarqué(e)*.
• Item 10 - J’aime que des employés me demandent conseil.
 Application d’une ACP sur
SPSS
• Fichier challenge: une AFE sur l’échelle de l’ambition professionnelle à 10
items.
• Étape 1: Allez dans le menu Analyse > réduction des dim> Analyse
• factorielle. Une boîte de dialogue apparaît: vous sélectionner les 10
items de l’échelle ambition professionnelle.
 Application d’une ACP sur
SPSS
• Étape 2: descriptives > KMO > test de Bartlett> Poursuivre
 Application d’une ACP sur
SPSS
• Étape 3: Extraction >composante principale

Dans une optique exploratoire, nous laissons libre le

nombre de facteurs.
On peut demander un graphique des valeurs propres qui
sert à éliminer des facteurs avec
le test du coude.
 Application d’une ACP sur
SPSS
• Étape 4: rotation >varimax > carte factorielle> poursuivre
 Interprétation des
données
Merci de votre attention
RDV aux HEC doctoriales 2015
 Interprétation Etape 1
adéquation des données
L’indice KMO (0.816)
indique que les items de
l’ambition professionnelle
forment un ensemble
cohérent

Le test de Bartlett est significatif

au seuil de 5%, on rejette
l’hypothèse H0, et on retient H1
: les items sont corrélés entre
eux.

Les données sont factorisables, nous

pouvons poursuivre l’analyse
 Interprétation étape 2:
nombre de facteurs

On retient les Les deux axes retenus

deux premiers La variance expliquée est restituent 48, 210% de
axes qui ont une insuffisante l’information relative au
valeur propre construit de l’ambition
supérieure à 1 professionnelle.
Éliminer des items
 Interprétation étape 3:
examen des communalités et coefficients de
corrélation

Éliminer les items

amb8r et amb9 :
mauvaise qualité de
représentation / la
variance restituée par
l’item est faible
Amb5r et amb6 se trouvent
dans un autre facteur. Pour
être sur de leur élimination il
faut vérifier:
-% de variance restitue par le
facteur
- la fiabilité du facteur (Alpha
de Cronbach)
 Etape 3: élimination des
items
• Élimination de amb9 et amb8
1
• Élimination amb5 et amb6 car ils représentent à eux
seul un facteur qui restitue seulement 15, 69% de
2 l’information et avec une fiablité insuffisante de 0.394.

• Refaire lAFE en éliminant amb9, amb8, amb5 et amb6

3
 Etape 4: refaire une ACP
après élimination
• Analyse > réduction des dim> Analyse factorielle.
• Une boîte de dialogue apparaît: vous sélectionner un à un les items à
éliminer et les faites glisser dans la liste des variables en cliquant sur
la flèche > ok (toutes les info sont enregistrées)
Résultats de ACP2
Le pourcentage de
variance restitué est
toujours insuffisant
pour l’axe retenu
(50%)

Nous éliminons amb 3

dont la qualité de
représentatiuon est
faible
 ACP après élimination de
l’item

La solution finale
montre que les
données sont
toujours
factorisables
(KMO=0.826)

Tous les items ont

une bonne qualité
de représentation
(une validité
convergente
acceptable)
 ACP après élimination de
l’item
L’échelle est
unidimensionnelle et
permet d’expliquer
53,75% de la variance
du construit ambition
professionnelle

La solution permet de
conserver 5 items dont
les coefficients de
corrélation sont
compris entre 0.676 et
0.7.80 (indicateur
d’une validité
discriminante à
vérifier!.
 Analyse de la fiabilité de
l’échelle
• Analyse > échelle > Analyse de la fiabilité

• > statistiques> item > échelle >

• echelle sans l’item
 Analyse de la fiabilité de
l’échelle

L’échelle présente une

cohérence interne
acceptable (alpha=0.782)
C’est une échelle de mesure
fiable

Nous conservons les cinq

items pour mesurer
l’ambition professionnelle.
Aucune élimination
n’améliore la fiabilité de
l’échelle.
Références
Merci de votre attention
Contact:
Azza Temssek Behi/ atemessek@gmail.com