Définition de l'analyse factorielle

L'analyse factorielle est une technique d'analyse fréquemment utilisée dans le domaine du développement et de la validation des tests, permet d'explorer comment les facteurs ou variables latentes sont structurés à partir des réponses aux items d'un test.

Pour obtenir des échelles de mesure adéquates, les chercheurs ont eu recours à la technique dite analyse factorielle, qui permet d'identifier la structure qui sous-tend les items d'une échelle de mesure. Cette technique explore comment un facteur latent, que nous pourrions également appeler variable non observée Ils expliquent le schéma des réponses données aux items ou aux items d'un test.

Ensuite, une brève introduction à l'analyse factorielle sera fournie, y compris, mais sans s'y limiter: les différences entre l'analyse factorielle et la analyse des composants principaux, analyse factorielle exploratoire et confirmatoire et enfin les éléments qui les composent.

Analyse factorielle et analyse en composantes principales

En examinant la littérature sur le développement et la validation d'instruments, nous pouvons nous rendre compte que parmi les universitaires, il y a Il existe une certaine confusion autour de l'utilisation sans discernement de l'analyse factorielle (AF) et de l'analyse en composantes principales (ACP). Cette utilisation indiscriminée peut être due au fait que pendant longtemps les ressources technologiques ont rendu difficile l'application de l'AF et pour compenser cela, elles ont inclus l'ACP. Bien que les deux techniques soient similaires, puisqu'elles réduisent les items à des dimensions plus petites (facteurs et composants), ils présentent également des différences spécifiques qui conduisent à des différent.

Le FA cherche à identifier combien et comment les facteurs (variables latentes) sont structurés; ces facteurs expliqueraient la variance commune du groupe d'items analysés. Au contraire, dans l'ACP, il est prévu de déterminer combien de composants sont nécessaires pour résumer le scores d'un groupe de variables observées, c'est-à-dire expliquant la plus grande quantité de variance observé. Une autre différence est que, alors que dans l'AF, les variables observées sont considérées comme des variables dépendantes, dans l'ACP, ce sont les variables indépendantes.

Analyse factorielle exploratoire et confirmatoire

Une fois la différence entre AF et ACP établie, il est nécessaire de faire une nouvelle différence entre l'Analyse Factorielle Exploratoire (EFA) et l'Analyse Factorielle Confirmatoire (AFC). Les deux analyses ont été considérées comme deux parties d'un processus continu. L'AFE cherche à déterminer combien de facteurs composent notre échelle, tandis que l'AFC se caractérise par confirmer ces facteurs, mais aussi déterminer comment les facteurs et les éléments de la escalader. Une autre façon de les définir est que l'AFE « construit » la théorie tandis que l'AFC la confirmerait.

Éléments AF

Taille de l'échantillon

C'est l'un des sujets les plus discutés, non seulement en FA, mais aussi dans l'analyse des données en général. Déterminer la taille d'échantillon appropriée pour l'analyse est une discussion qui semble sans fin, les recommandations classiques sont que plus le nombre d'items est élevé, plus le nombre de participants dans notre échantillon doit être élevé, un minimum de 200 étant le plus recommandé. Cependant, les recommandations classiques ont tendance à manquer de fondement clair, aujourd'hui de nombreux éléments doivent être pris en compte pour déterminer combien participants sont nécessaires, comme le nombre d'éléments par facteur, la matrice utilisée pour l'analyse et même le nombre d'options de réponse dont disposent les participants. articles. Ainsi, les études qui utilisent des simulations dans ces conditions ont déterminé qu'un minimum de 300 participants est un chiffre adéquat.

Nombre d'éléments à inclure dans l'analyse et dans chaque facteur

En ce qui concerne le nombre d'éléments à inclure dans l'analyse, ceux-ci doivent être sélectionnés à partir de la théorie, cependant, il est nécessaire de souligner que ceux-ci ne doivent pas être redondants, car cela ferait partager la variance à ces éléments et aurait donc de mauvaises estimation. Par conséquent, il faut prendre soin de ne sélectionner que les éléments qui représentent vraiment le construit que nous essayons d'évaluer. En revanche, il est recommandé d'avoir au moins trois items pour chaque facteur, cependant ce montant peut être modifié selon la matrice utilisée et la taille de l'échantillon.

Matrice utilisée

Dans les conceptions FA classiques, on suppose que les variables sont liées de manière linéaire, Ils présentent également des indices de normalité adéquats, de sorte que la matrice de corrélation de Pearson était généralement celle utilisé. Il est aujourd'hui suggéré de prendre en compte l'hypothèse de normalité et le format de réponse des items. En plus de ce qui précède, le développement de nouveaux outils pour le développement de l'AP a conduit à l'utilisation de nouvelles techniques telles que la matrice de corrélations polychoriques et tétrachoriques, cependant, les deux matrices nécessitent une taille d'échantillon plus grande par rapport à la matrice de person.

Estimation du facteur

Les méthodes d'estimation les plus couramment utilisées sont 2 :

• Maximum de vraisemblance: Cette méthode est la plus couramment utilisée en raison de ses avantages par rapport à d'autres méthodes telles que la capacité à opposer l'ajustement et la quantification des erreurs. Cependant, cette méthode nécessite de respecter la normalité des données, d'avoir des échelles continues et d'utiliser la matrice de corrélation de Pearson.

• Moindres carrés ordinaires. En fait, cette méthode fait référence à une famille de méthodes d'estimation. Ces méthodes se sont révélées robustes lorsque les hypothèses de normalité et de linéarité ne sont pas respectées. De même, son application en conjonction avec la matrice polychorique s'est avérée efficace.

Rotation des articles

Cette étape fait référence à la rotation continue de la matrice pour trouver une solution simple et cohérente. Les méthodes les plus utilisées aujourd'hui sont rotation orthogonale, plus précisément le critère Varimax et rotation oblique dans votre méthode oblimin direct. Aujourd'hui, cette dernière est la méthode la plus recommandée pour présenter une structure plus fiable et cohérente.

Facteurs à retenir

L'élément crucial de cette analyse est la formation des facteurs, mais comment savoir combien de facteurs nous devrions avoir dans notre échelle? La recommandation classique était de suivre la règle de Kaiser, qui consiste à conserver des valeurs propres supérieures à 1; cependant, cette méthode tend à provoquer une surestimation des facteurs. De nos jours, il est suggéré de suivre les recommandations de l'analyse parallèle et d'autres méthodes similaires, mais il est également suggéré de prendre en compte l'interprétabilité des résultats et la théorie de base.

Enfin, il est nécessaire de souligner que le CFA tend à être estimé à l'aide de modèles d'équations structurelles. (SEM) de sorte que le processus pour le réaliser doit être effectué sur la base des critères développés pour ces Des modèles.

Les références

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). L'analyse factorielle exploratoire des items: un guide pratique, révisé et mis à jour Introduction Détermination de l'adéquation de l'Analyse. Annals of Psychology, 30(3), 1151–1169.