Structural Equation

Modeling (SEM)
ou
modeles d'equations
structurelles (mes)
 Qu’est-ce Qu’un seM ?

• C’est une technique statistique utilisée pour établir les relations entre
les variables.
• Il s’agit d’une combinaison d’analyse factorielle et de régression
multiple.
• C’est une analyse confirmatoire:
 Il teste au préalable des modèles dérivés conceptuellement
 Il vérifie si la théorie correspond aux données
• Il permet de tester simultanément les relations de mesure et les
relations structurelles
 Qu’est-ce Qu’un seM ?

 Faitparti de la famille de procédures

connexes.
 Défini alternativement par les termes suivants :
 Analyse de trajectoire,
 Modélisation de trajectoire,
 Modélisation causale,
 Analyse des structures de covariance,
 Analyse des variables latentes,
 Relations structurelles linéaires
 Logique du SEM

 Chaque théorie (modèle) implique un ensemble de

corrélations et pourquoi les variables sont corrélées.
 La condition nécessaire (mais insuffisante) pour la validité
de la théorie est qu'elle soit capable de reproduire les
corrélations qui sont effectivement observées
 La matrice de covariance implicite devrait = la matrice de
covariance réelle
 Avantage du SEM par rapport à la
régression

 La régression n’est utilisée que pour une seule variable de

dépendance, alors que le SEM permet d’analyser de multiples
variables dépendantes.
 Le SEM permet aux variables d'être corrélées, tandis que la
régression tient compte des autres variables du modèle.
 La régression suppose une mesure parfaite, alors que le SEM
tient compte de l'erreur de mesure
 Utilisation du SEM

 Test théoriques :
 La force de la prédiction/association dans les modèles à
variables dépendantes multiples
 Ajustement d’un modèle
 Différence de groupe: Analyse d’échantillon multiple
 Modèles longitudinaux et transversaux
 Modèles imbriqués à plusieurs niveaux
 Concepts de base

 Variables mesurées/indicateurs : sont les variables

effectivement mesurées dans l'étude : variables observées
 Variables Latentes : Construits intangibles mesurés par une
variété d’indicateurs
 Modèle de mesure : montre les relations entre la variable
latente et les variables mesurées
 Modèle de structure : montre les relations entre variables
latentes
 Symboles Conventionnels

 Rectangles : variables mesurées

 Ovales : variables latentes
 Rond : erreur/résidu du modèle
 Flèches directes : effets directs
 Flèchesincurvées: relations bidirectionnelles
(corrélation)
Variable latente : Réflexif vs Formatif
Exemple de modèle structurel
Variable latente : Réflexif vs Formatif
 Variantes du SEM

 Analyse Factorielle Confirmatoire : teste le modèle ayant des relations

entre variables et facteurs, et entre les facteurs
 Analyse de trajectoire avec variables observées : teste le modèle
structurel uniquement ; analogue à un ensemble de régression multiple
 Analyse de trajectoire avec variables latentes : test simultané des
paramètres de mesures et de structure.
Elle inclue les relations entre variables observées et latentes ; entre
variables latentes ; erreur et résidus
 AFC vs AFE

AFC AFE
Modèle a priori Modèle à posteriori
Déductif Inductif
Plusieurs étapes :
Analyse des Composantes principales,
des axes principales
Plus de restrictions pour la relation entre
variables et facteurs
 Considérations de données

 La taille de l’échantillon dépend :

 De la complexité du modèle : ratio taille d’échantillon 5:1 à 20:1
 Etde la qualité des données : plus large pour données non
normales
 Normalité multivariée
 Normalité des résidus
 Homoscedasité (homogénéité variance)
 Indépendance des observations
 Variables continues (VQT)
  les étapes d’élaboration d’un modèle d’équation
structurelle

Identificatio
Spécification Estimation Evaluation Respécificatio Présentation
n du
du modèle d’un modèle du modèle n du modèle des résultats
modèle
 Etape 1 : spécification du modèle

 SEM étant confirmatoire, requiert un modèle basée sur une

théorie, et un modèle mettant en relation des variables
exogènes et endogènes
 Variables exogènes : variables explicatives dans le modèle
(indépendantes)
 Variables endogènes : variables dépendantes ou aussi
indépendantes (explicative d’autres variables)
 Etape 2 : Identification du modèle

 Modèle doit être spécifié pour qu’il y ait assez d’information afin de
donner une estimation unique pour tous les paramètres.
 Si nécessaire contraindre des paramètres supplémentaires.
 On distingue :
 Identification globale : le nombre de DDL total est non nul
 Identification locale: chaque variable latente est correctement identifiés
(au moins un paramètre fixé + DDL locaux non nuls)
 Etape 3 : Estimation

 Les modèles sur-identifiés ont une infinité de solution

 Les paramètres doivent être estimées sur des critères
mathématiques
 L’objectif étant de minimiser la différence entre la matrice
covariance observée et celle sous-entendue
 C’est une procédure itérative jusqu’à minimisation de la
différence entre les 2 matrices covariances
 Indice de significativité entre les
variables:
Lorsqu'il y a trois étoiles sur la colonne de P
value, il existe une relation significative, sinon
(s’il y a une valeur) il n’y en a pas.

 Alpha de Cronbach: > 0,7 meilleur ; < 0,3

Non acceptable
 Etape 4 : Estimation Comparer le modèle
élaboré par rapport
Modèle théorique
a un autre modèle
reproduit
concurrent
correctement les
données récoltées

Comparer différents
modèles pour retenir
le meilleur
 Signification des principaux
indicateurs

Signification des principaux indicateurs

GFI Part de la variance totale expliquée par le modèle

AGFI GFI ajusté par le DDL

RMR Moyenne qudratique des résidus

RMSEA Différence moyenne dans population, par DDL

Mesure l’amélioration relative du modèle analysé par rapport au

TLI et CFI modèle indépendant
Significativité des
Variables
représenté par
des ***
 Etape 5 : Réévaluation

 L’objectif
étant d’améliorer l’ajustement du modèle,
en modifiant le modèle pour s’ajuster aux données
 Guides :
 Doit être théoriquement consistant
 Doit être repiqué avec de nouvelles données
 Evaluation du modèle

 Signification théorique
 Résidus et corrélations sous entendues (différence entre
matrice de covariance de l’échantillon et celui du modèle)
 Test des coefficients de trajectoire (direction et magnitude)
 Absence de problèmes numériques (direction et magnitude
des résidus; structure des résidus standardisés z-scores)
 Les erreurs trop
grandes d’un même
modèle de mesure
vont être reliées
 Application:

Evaluation de la performance des directeurs des

chaines de production dans les industries agricoles par
rapport à la connaissance du métier, la valeur ajouté et
la satisfaction des employés.