Analyse factorielle
L'analyse factorielle modélise les corrélations entre les variables observées comme résultant d'un nombre plus restreint de facteurs communs inobservés, auxquels s'ajoute une unicité spécifique à chaque variable.
Definition
L'analyse factorielle est un modèle à variables latentes dans lequel chaque variable observée est exprimée comme une combinaison linéaire de quelques facteurs communs et d'une erreur spécifique indépendante, de sorte que la structure de covariance hors diagonale est reproduite par les seuls facteurs communs.
Scope
Ce sujet aborde le modèle à facteurs communs, l'estimation des saturations (loadings) et des unicités (uniquenesses) par des méthodes telles que l'analyse en facteurs principaux et le maximum de vraisemblance, la rotation factorielle pour l'interprétabilité, la distinction entre l'analyse factorielle exploratoire et confirmatoire, et l'estimation des scores factoriels. Il traite également de l'identification et de l'indétermination de la solution factorielle.
Core questions
- Combien de facteurs communs sous-tendent un ensemble de mesures corrélées ?
- Comment les saturations factorielles sont-elles estimées et comment la solution est-elle tournée pour être interprétable ?
- En quoi le modèle à facteurs communs diffère-t-il d'une décomposition en composantes principales ?
- Quand un modèle factoriel est-il identifié, et comment les scores factoriels doivent-ils être obtenus ?
Key theories
- Décomposition en facteurs communs
- La matrice de covariance est modélisée comme la somme d'une partie commune de rang faible, générée par des facteurs partagés, et d'une partie d'unicité diagonale, séparant la variance partagée de la variance spécifique à la variable.
- Indétermination rotationnelle
- Puisque toute rotation orthogonale des facteurs reproduit la même structure de covariance, la solution factorielle n'est déterminée qu'à une rotation près, ce qui motive l'utilisation de critères de rotation tels que le varimax pour faciliter l'interprétation.
Clinical relevance
L'analyse factorielle est essentielle en psychométrie et dans la recherche par sondage pour la construction et la validation d'échelles, et est utilisée dans les sciences sociales et biologiques pour identifier les dimensions latentes sous-jacentes à de nombreux indicateurs mesurés.
History
L'analyse factorielle est née des travaux de Spearman au début du XXe siècle sur un facteur général d'intelligence et a été étendue par Thurstone à l'analyse multifactorielle avec rotation. L'estimation par maximum de vraisemblance et les modèles confirmatoires ont été formalisés par la suite, intégrant l'analyse factorielle dans la théorie plus large des modèles à variables latentes et des modèles d'équations structurelles.
Debates
- Analyse factorielle versus composantes principales
- Les deux méthodes sont souvent confondues ; l'analyse factorielle postule un modèle d'erreur explicite et cible la variance commune, tandis que les composantes principales analysent la variance totale sans terme d'erreur, et elles peuvent donner des solutions matériellement différentes.
Key figures
- Charles Spearman
- L. L. Thurstone
- Harry Harman
Related topics
Seminal works
- mardia1979
- harman1976
- anderson2003
Frequently asked questions
- Quelle est la différence entre l'analyse factorielle exploratoire et confirmatoire ?
- L'analyse factorielle exploratoire estime le nombre et la configuration des facteurs à partir des données, tandis que l'analyse factorielle confirmatoire teste une structure factorielle pré-spécifiée avec des contraintes sur les variables qui saturent sur quels facteurs.
- Pourquoi les facteurs sont-ils tournés ?
- La rotation exploite l'indétermination de la solution pour trouver un modèle de saturations plus facile à interpréter, généralement un modèle dans lequel chaque variable sature fortement sur peu de facteurs.