FICHE MÉTHODEMSC-P-009Science de la mesure

ACP, AFE ou AFC : quelle méthode choisir ?

Utilisez l’ACP pour réduire des variables, l’AFE pour explorer des facteurs communs et l’AFC pour tester un modèle de mesure spécifié avant l’analyse.

Réponse directe

Choisir ACP, AFE ou AFC à partir de la question, pas du logiciel.

Utilisez l’ACP pour réduire des variables, l’AFE pour explorer des facteurs communs et l’AFC pour tester un modèle de mesure spécifié avant l’analyse.

Jolliffe & Cadima, 2016 Costello & Osborne, 2005

La règle de décision en 30 secondes

ACP / PCA

Réduire plusieurs variables numériques en quelques composantes qui conservent le plus de variance observée.

AFE / EFA

Explorer combien de facteurs communs pourraient expliquer les corrélations entre des indicateurs.

AFC / CFA

Tester un modèle de mesure défini avant l’analyse et examiner où il reproduit mal les covariances observées.

Jolliffe & Cadima (2016) Costello & Osborne (2005) Goretzko, Siemund & Sterner (2024)

Trois niveaux de lecture

1
Décideur : choisissez selon le livrable attendu, pas selon le menu du logiciel.
2
Praticien : fixez population, variables, matrice de corrélation, nombre de dimensions et validation avant le calcul.
3
Analyste : distinguez variance totale, variance commune et covariance impliquée par le modèle, puis quantifiez la stabilité.

Situation marketing concrète

Une équipe d’études dispose de douze indicateurs de confiance, valeur perçue et préférence. Elle peut vouloir condenser ces indicateurs pour un tableau de bord, découvrir leur structure commune ou vérifier une échelle à trois dimensions définie par la théorie. Le même fichier peut alimenter ces trois questions, mais les estimands, hypothèses et conclusions diffèrent.

Pourquoi une méthode choisie par défaut peut échouer

Une ACP peut produire des composantes utiles sans établir l’existence d’un construit latent.
Une AFE dépend du choix de la matrice, de l’extraction, du nombre de facteurs et de la rotation.
Une AFC ajustée après de nombreuses modifications guidées par les mêmes données n’est plus une confirmation indépendante.

ACP, AFE et AFC ne répondent pas à la même question

ACP, AFE et AFC ne répondent pas à la même question
Méthode	Question	Variance modélisée	Sortie principale	Contrôle décisif
ACP / PCA	Comment résumer X avec moins d’axes ?	Variance totale observée	Composantes, scores, variance expliquée	Échelle, valeurs aberrantes, stabilité des axes
AFE / EFA	Quels facteurs communs sont plausibles ?	Variance commune, avec unicités	Saturations, communalités, corrélations factorielles	Rétention, rotation oblique, réplication
AFC / CFA	Le modèle spécifié reproduit-il suffisamment les covariances ?	Covariance impliquée par les paramètres du modèle	Paramètres, résidus, incertitude et adéquation	Identification, résidus, sensibilité, échantillon distinct

Jolliffe & Cadima (2016) Costello & Osborne (2005)

Données nécessaires et préparation

Une ligne par répondant et une colonne par indicateur, avec population, période, mode de collecte et règles d’exclusion documentés.
Choisir covariance ou corrélation pour l’ACP. Pour des items ordinaux, justifier une corrélation et un estimateur adaptés plutôt que traiter automatiquement les catégories comme continues.
Déclarer valeurs manquantes, distributions, plan d’échantillonnage et dépendances. Aucune taille d’échantillon universelle ne remplace une étude de stabilité adaptée.
Réserver un échantillon ou une collecte distincte pour confirmer une structure découverte par AFE.

Modèles formels et symboles

ACP / PCA

zₖ = Xaₖ ; aₖ′aₖ = 1 ; Var(zₖ) = λₖ

X est la matrice centrée ou standardisée, aₖ un vecteur propre, zₖ le score de composante et λₖ la variance portée par cette composante.

AFE / EFA

x = Λη + ε ; Σ = ΛΦΛ′ + Θ

Λ contient les saturations, Var(η)=Φ, Cov(η,ε)=0 et Var(ε)=Θ. Φ est une matrice de corrélations seulement si les facteurs sont standardisés.

AFC / CFA

Σ(θ) = ΛΦΛ′ + Θ ; F = distance[S, Σ(θ)]

Le modèle fixe avant l’estimation les paramètres libres ou contraints. L’ajustement compare la covariance observée S à la covariance impliquée Σ(θ).

Calcul déclaré, étape par étape

01
ACP : standardiser si les unités ne sont pas comparables, décomposer la matrice, ordonner λₖ, puis examiner variance expliquée et stabilité.
02
AFE : choisir la matrice, estimer les communalités, comparer plusieurs règles de rétention, appliquer une rotation adaptée et interpréter saturations et corrélations factorielles.
03
AFC : spécifier et identifier le modèle, choisir l’estimateur, estimer θ, examiner paramètres et résidus, puis évaluer l’adéquation sans seuil universel automatique.

Exemple numérique reproductible

Matrice synthétique, créée pour l’apprentissage. Elle ne décrit aucune enquête réelle.

Six indicateurs standardisés représentent deux groupes de trois variables. Les corrélations valent 0,64 au sein d’un groupe et 0,256 entre groupes. La matrice correspond, par construction, à deux facteurs de saturation 0,80, corrélés à 0,40, avec une unicité de 0,36.

       v1     v2     v3     v4     v5     v6
v1   1.000  0.640  0.640  0.256  0.256  0.256
v2   0.640  1.000  0.640  0.256  0.256  0.256
v3   0.640  0.640  1.000  0.256  0.256  0.256
v4   0.256  0.256  0.256  1.000  0.640  0.640
v5   0.256  0.256  0.256  0.640  1.000  0.640
v6   0.256  0.256  0.256  0.640  0.640  1.000

Télécharger la matrice CSV

ACP / PCA

ACP : λ = 3,048 ; 1,512 ; 0,360 ; 0,360 ; 0,360 ; 0,360. Les deux premières composantes expliquent 76,0 % de la variance totale, dont 50,8 % pour la première.

AFE / EFA

AFE : la solution génératrice a deux facteurs obliques. Chaque indicateur charge à 0,80 sur son facteur, Φ₁₂ = 0,40 et Θ = 0,36. Une estimation empirique ne retrouverait pas exactement ces valeurs.

AFC / CFA

AFC : le modèle à deux facteurs reproduit exactement cette matrice de population, car la matrice a été construite à partir de ce modèle. Ce résultat tautologique illustre le calcul, il ne valide aucune échelle réelle.

Limite d’incertitude : le fichier contient une matrice synthétique exacte, pas 300 observations. N = 300 est seulement un pseudo-effectif fourni aux logiciels pour rendre les commandes exécutables ; il ne crée aucune incertitude d’échantillonnage observée. Les erreurs standards, intervalles et tests d’ajustement éventuels ne doivent donc pas être interprétés. Pour quantifier l’incertitude, il faut les données individuelles ou une covariance empirique avec son effectif réel.

Hypothèses traduites en questions opérationnelles

Hypothèses traduites en questions opérationnelles
Méthode	Question
ACP	Les unités rendent-elles la variance comparable et les observations atypiques dominent-elles les axes ?
AFE	Un modèle à facteurs communs est-il substantiellement plausible et la rotation autorise-t-elle les corrélations attendues ?
AFC	Le modèle a-t-il été spécifié avant d’observer ces résultats, est-il identifié et l’estimateur correspond-il aux données ?
Toutes	La population, le plan de collecte, les valeurs manquantes et l’indépendance des observations autorisent-ils la généralisation visée ?

Diagnostics, stabilité et incertitude

ACP

Recalculer avec covariance puis corrélation si l’échelle est discutable, examiner les observations influentes et rappeler que le signe des axes est arbitraire. Comparer variance expliquée et contributions sans interpréter un axe comme un construit latent.

Jolliffe & Cadima (2016)

AFE

Comparer analyse parallèle, solutions voisines, communalités, saturations secondaires, corrélations factorielles et réplication sur de nouvelles données. Une solution sensible au nombre de facteurs, à l’extraction ou à la rotation reste exploratoire.

Costello & Osborne (2005)

AFC

Rapporter paramètres, erreurs standards ou intervalles, résidus, test global et plusieurs indices d’ajustement. Rechercher la source du désajustement plutôt qu’un seuil magique.

Goretzko, Siemund & Sterner (2024)

Comment interpréter le résultat

ACP : « deux composantes résument 76 % de la variance de cette matrice synthétique ».
AFE : « une structure commune à deux facteurs corrélés est compatible avec la matrice et doit être testée sur de nouvelles données ».
AFC : « le modèle spécifié reproduit la covariance avec l’incertitude et les écarts déclarés dans l’échantillon de confirmation ».

Conclusions recevables et conclusions interdites

Recevable

Décrire la réduction obtenue par ACP, sans la rebaptiser facteur latent.
Proposer par AFE une structure candidate, avec alternatives et stabilité.
Évaluer par AFC un modèle préspécifié dans une population et un échantillon déclarés.

Interdit

Affirmer qu’un pourcentage élevé de variance expliquée prouve la validité d’un construit.
Présenter une solution AFE instable comme structure vraie ou universelle.
Déclarer une échelle validée à partir d’un seul indice d’ajustement ou d’une AFC modifiée sur le même échantillon exploratoire.

Décision marketing possible

01
Construire un score opérationnel provisoire par ACP, en conservant sa définition comme combinaison descriptive.
02
Réviser le pool d’items après AFE, puis planifier une collecte indépendante pour l’AFC.
03
Conserver, réviser ou abandonner un modèle de mesure à partir des paramètres, résidus, incertitudes, conséquences métier et preuves externes, jamais d’un score unique.

Quand utiliser, quand ne pas utiliser

Utiliser

ACP pour compression descriptive de variables numériques.
AFE quand la structure commune reste incertaine.
AFC quand un modèle testable est défini avant l’analyse.

Ne pas utiliser

Aucune de ces méthodes pour démontrer une causalité marketing.
ACP ou AFE comme substitution automatique à une AFC préspécifiée.
AFC si le modèle est sous-identifié ou si toutes les modifications sont dictées par le même échantillon.

Méthodes alternatives à considérer

Analyse des correspondances pour un tableau de contingence, à ne pas confondre avec l’AFC confirmatoire.
Modèles de réponse à l’item lorsque le fonctionnement des items et l’information le long du trait latent sont centraux.
Analyse factorielle exploratoire structurelle ou approches bayésiennes si des saturations secondaires proches de zéro sont plausibles plutôt qu’exactement nulles.

Implémentations reproductibles

Python 3.13.7 · NumPy 2.3.2 · pandas 2.3.2 · factor_analyzer 0.5.1

# Synthetic R; n_obs=300 is an illustrative pseudo-count only.
import numpy as np
import pandas as pd
from factor_analyzer import (FactorAnalyzer, ConfirmatoryFactorAnalyzer,
                             ModelSpecificationParser)

R = np.array([
 [1,.64,.64,.256,.256,.256],
 [.64,1,.64,.256,.256,.256],
 [.64,.64,1,.256,.256,.256],
 [.256,.256,.256,1,.64,.64],
 [.256,.256,.256,.64,1,.64],
 [.256,.256,.256,.64,.64,1]])

eigenvalues = np.linalg.eigvalsh(R)[::-1]
print(eigenvalues, eigenvalues[:2].sum() / 6)

efa = FactorAnalyzer(n_factors=2, method="minres",
                     rotation="oblimin", is_corr_matrix=True)
efa.fit(R)
print(efa.loadings_, efa.phi_, efa.get_uniquenesses())

names = [f"v{i}" for i in range(1, 7)]
definition = {"F1": names[:3], "F2": names[3:]}
template = pd.DataFrame(np.zeros((1, 6)), columns=names)
spec = ModelSpecificationParser.parse_model_specification_from_dict(
    template, definition)
cfa = ConfirmatoryFactorAnalyzer(
    spec, n_obs=300, is_cov_matrix=True, disp=False)
cfa.fit(R)
print(cfa.loadings_, cfa.factor_varcovs_, cfa.error_vars_)
print(cfa.get_model_implied_cov())

R 4.5.1 · psych 2.5.6 · lavaan 0.6-20

# Synthetic R; n.obs=300 is an illustrative pseudo-count only.
R <- matrix(c(
1,.64,.64,.256,.256,.256,
.64,1,.64,.256,.256,.256,
.64,.64,1,.256,.256,.256,
.256,.256,.256,1,.64,.64,
.256,.256,.256,.64,1,.64,
.256,.256,.256,.64,.64,1), 6, 6, byrow=TRUE)
colnames(R) <- rownames(R) <- paste0("v", 1:6)

eigen(R)$values
psych::fa(R, nfactors=2, n.obs=300,
          fm="minres", rotate="oblimin")

model <- 'F1 =~ v1 + v2 + v3
          F2 =~ v4 + v5 + v6'
fit <- lavaan::cfa(model, sample.cov=R,
                   sample.nobs=300, std.lv=TRUE)
lavaan::summary(fit, fit.measures=TRUE, standardized=TRUE)

IBM SPSS Statistics 31.0.0.0 · PCA / EFA

* Synthetic R; N=300 is an illustrative pseudo-count only.
MATRIX DATA VARIABLES=ROWTYPE_ v1 TO v6
 /FORMAT=FULL.
BEGIN DATA
N 300 300 300 300 300 300
CORR 1 .64 .64 .256 .256 .256
CORR .64 1 .64 .256 .256 .256
CORR .64 .64 1 .256 .256 .256
CORR .256 .256 .256 1 .64 .64
CORR .256 .256 .256 .64 1 .64
CORR .256 .256 .256 .64 .64 1
END DATA.
FACTOR MATRIX IN(COR=*) /ANALYSIS=v1 TO v6
 /CRITERIA=FACTORS(2) /EXTRACTION=PC /ROTATION=NONE.
FACTOR MATRIX IN(COR=*) /ANALYSIS=v1 TO v6
 /CRITERIA=FACTORS(2) /EXTRACTION=PAF /ROTATION=OBLIMIN.
* Confirmatory analysis requires an explicit Amos model.

SAS 9.4 TS1M8 · PROC FACTOR · PROC CALIS

* Synthetic R; N=300 is an illustrative pseudo-count only;
data corr(type=corr);
  input _type_ $ _name_ $ v1-v6;
  datalines;
N . 300 300 300 300 300 300
CORR v1 1 .64 .64 .256 .256 .256
CORR v2 .64 1 .64 .256 .256 .256
CORR v3 .64 .64 1 .256 .256 .256
CORR v4 .256 .256 .256 1 .64 .64
CORR v5 .256 .256 .256 .64 1 .64
CORR v6 .256 .256 .256 .64 .64 1
;
proc factor data=corr method=prin nfact=2 rotate=none; run;
proc factor data=corr method=prin priors=smc nfact=2 rotate=promax; run;
proc calis data=corr corr nobs=300;
  factor F1 ---> v1-v3,
         F2 ---> v4-v6;
  pvar F1=1., F2=1.;
  cov F1 F2;
run;

Les versions sont déclarées pour rendre le protocole vérifiable. Les sorties peuvent différer selon l’estimateur, la rotation, les conventions de signe et les valeurs de départ. Le logiciel ne valide jamais le choix de méthode.

Livrable final attendu

01
Question, population, unité d’analyse, variables et matrice utilisées.
02
Justification ACP, AFE ou AFC avant les résultats.
03
Spécification, estimateur, rotation, critères de rétention et versions logicielles.
04
Résultats complets, diagnostics, sensibilité, incertitude et échecs de convergence.
05
Conclusion permise, conclusion interdite et prochaine décision humaine.

Sources scientifiques et niveau de preuve

Jolliffe & Cadima (2016)Revue méthodologique
Établit l’objectif descriptif de l’ACP, la maximisation successive de la variance, la sensibilité à l’échelle et aux valeurs aberrantes. Ne prouve pas la validité d’un construit marketing.
Costello & Osborne (2005)Revue appliquée avec analyses empiriques
Distingue composantes et facteurs communs, documente les choix d’extraction, de rétention et de rotation. Ses recommandations ne constituent pas des seuils universels.
Goretzko, Siemund & Sterner (2024)Revue empirique de 221 études
Montre pourquoi les indices d’ajustement ne se lisent pas avec un seuil absolu unique et recommande paramètres, résidus et évaluation complète. Le contexte de validation reste à déclarer.

Dataset · Outil

Dataset · MSC-P-009-MATRIXMatrice synthétique ACP, AFE et AFC→

Connexions méthodologiques

Territoire parentScience de la mesure : construire des indicateurs valides