Peut-on comparer une échelle entre pays ou entre langues ?

Une même échelle de « confiance dans la marque », passée en France et en Allemagne, ne mesure pas forcément la même chose dans les deux pays : une traduction peut rendre un item plus facile à approuver. Comparer les scores moyens revient alors à comparer aussi ce biais. Le test d'invariance de mesure vérifie, étape par étape, que la structure, les pondérations puis les niveaux de départ des items sont les mêmes.

Sur données synthétiques, où l'on sait que l'item 3 est décalé en Allemagne, forcer l'égalité des niveaux de départ ajoute en moyenne 0,15 écart-type à l'écart de confiance estimé entre les deux pays — c'est le résultat stable, mesuré sur 100 tirages. Un modèle qui libère l'item fautif retrouve l'écart vrai, à 0,006 près en moyenne — un reste qui n'est pas distinguable de zéro à cette taille de simulation. Sur le tirage détaillé dans cette page, les deux modèles donnent respectivement 0,30 et 0,18, pour un écart vrai de 0,20.

Une marque mesure la confiance de ses clients avec quatre items, en France et en Allemagne (600 répondants par pays). Les résultats bruts montrent une confiance plus élevée en Allemagne. Mais l'item 3, traduit en allemand, est formulé de façon plus facile à approuver. Les données de la page sont synthétiques : on sait que l'écart vrai de confiance vaut 0,2 et que l'item 3 est décalé de 0,4 en Allemagne.

L'échelle mesure-t-elle la même chose dans les deux pays, au point de pouvoir comparer les moyennes de confiance ? Sinon, quelle part de l'écart observé vient de la confiance et quelle part vient de l'instrument ?

La moyenne des quatre items est plus élevée de 0,194 point d'échelle en Allemagne. Mais l'écart item par item révèle le problème : 0,17, 0,09, 0,46 et 0,06. L'item 3 porte à lui seul une grande partie de l'écart. Additionner les items mélange une vraie différence de confiance et un artefact de traduction. On ne compare des moyennes qu'une fois franchies trois étapes — même structure (dite configurale), mêmes pondérations (métrique), mêmes niveaux de départ (scalaire) —, détaillées juste après ^[C09].

On pose un modèle où chaque item reflète une confiance latente, avec une pondération (le poids de l'item) et un niveau de départ (son intercept). Puis on resserre les contraintes entre pays, étape par étape :

1. configurale : la même structure dans les deux pays, c'est le premier échelon ^[C01] ;
2. métrique : les mêmes pondérations, chaque item contribue autant à la confiance dans les deux pays ^[C02] ;
3. scalaire : les mêmes intercepts, la condition pour comparer des moyennes ^[C03] ;
4. scalaire partielle : si un item fait défaut, on libère son intercept et on garde les autres. C'est devenu une pratique courante ^[C08]. Steenkamp et Baumgartner ont avancé qu'en laissant contraints au moins deux pondérations et deux intercepts, l'écart de moyennes latentes reste exploitable ^[C12] ; la source qui rapporte cette règle ajoute aussitôt qu'elle a été « beaucoup débattue » (« much debated »), notamment sur le choix de l'item de référence ^[C16]. Les standards de l'invariance partielle varient ^[C17] et ne s'appuient sur aucune étude empirique citée ^[C18].

À chaque étape, si l'ajustement se dégrade nettement, l'égalité imposée est rejetée.

Les réponses individuelles aux items, avec le pays de chaque répondant ; au moins trois ou quatre items par construit ; des échantillons suffisants par groupe (ici 600). Les réponses de la page sont continues pour simplifier ; de vraies échelles de Likert en 5 ou 7 points appellent des méthodes pour données ordinales.

Cette section s'adresse au praticien. Le lecteur qui décide peut la sauter et reprendre à « Le calcul déclaré » : la phrase de traduction qui la termine suffit.

Pour le répondant r du pays g et l'item j :

xᵣⱼ = νⱼ⁽ᵍ⁾ + λⱼ⁽ᵍ⁾ ηᵣ + εᵣⱼ

• xᵣⱼ : la réponse du répondant r à l'item j. L'exposant (g) désigne le pays — fr ou de — et signale un paramètre autorisé à différer d'un pays à l'autre ; sans exposant, le paramètre est commun aux deux pays.
• ηᵣ : confiance latente, de moyenne κ⁽ᵍ⁾ et de variance φ⁽ᵍ⁾.
• λⱼ : pondération de l'item, que les praticiens appellent aussi sa saturation ; νⱼ : intercept, le niveau de réponse quand la confiance vaut 0 ; εᵣⱼ : erreur, de variance θⱼ.
• Modèle métrique : λⱼ⁽ᶠʳ⁾ = λⱼ⁽ᵈᵉ⁾. Modèle scalaire : en plus, νⱼ⁽ᶠʳ⁾ = νⱼ⁽ᵈᵉ⁾. Modèle partiel : l'égalité est levée pour le seul intercept de l'item retenu par la règle décrite plus bas.
• Sous invariance scalaire, la moyenne latente de l'Allemagne κ⁽ᵈᵉ⁾ mesure directement l'écart de confiance entre pays ^[C04].

L'échelle de la variable latente doit être fixée, et elle ne l'est pas de la même façon à chaque échelon :

C'est pourquoi l'écart de confiance entre pays n'apparaît qu'à partir de l'échelon scalaire : avant, il n'est pas identifiable.

Traduction : si les items pèsent autant et partent du même niveau dans les deux pays, un écart de réponses ne peut venir que d'un écart de confiance.

1. Enquête synthétique générée par une récurrence congruentielle déclarée (graine 20260916 ; x ← 1103515245 · x + 12345 mod 2³¹), identique en Python et en R.
2. Estimation par maximum de vraisemblance avec structure de moyennes, sur les moyennes et covariances de chaque pays.
3. Optimiseur BFGS avec gradients numériques ; décomposition de Cholesky ; queue du χ² par la fonction gamma incomplète. Tout est écrit à la main, sans bibliothèque, pour que Python et R impriment exactement les mêmes lignes.
4. Indices d'ajustement. Le χ² (khi-deux) mesure l'écart entre le modèle et les données. Le CFI (comparative fit index) est la part de cet écart que le modèle rattrape par rapport à un modèle sans aucun facteur commun : plus il approche 1, mieux c'est. Le RMSEA (root mean square error of approximation) est l'écart moyen par degré de liberté, jugé bon en dessous de 0,05. En multigroupe, la formule du RMSEA est multipliée par √G, où G est le nombre de groupes — ici √2.
5. Comparaisons de modèles emboîtés : différence de χ² et variation de CFI.
6. Erreur-type de la moyenne latente par la matrice hessienne numérique.
7. Modèle partiel : le programme calcule les écarts d'intercept entre pays sous le modèle métrique, puis libère l'intercept dont l'écart absolu est le plus grand ^[C13]. La règle est appliquée par le code, pas décidée à la main : sur le tirage détaillé ici, les écarts valent 0,17, 0,09, 0,46 et 0,06, et l'item 3 est retenu.
8. La même procédure complète — génération, modèle métrique, sélection de l'item, modèle scalaire, modèle partiel — est ensuite répétée sur 100 tirages indépendants, pour distinguer ce qui est systématique de ce qui tient au hasard d'un seul échantillon.

Les trois premiers tableaux décrivent un seul tirage : ils montrent le mécanisme. Le quatrième, sur 100 tirages, montre ce qui est systématique.

Attention aux unités : l'écart de 0,194 vu plus haut est en points d'échelle, ceux de ce tableau en écarts-types de confiance latente. Ils ne se lisent pas l'un contre l'autre. Ramené en points d'échelle, l'écart corrigé vaut 0,12 : le score brut surestime l'écart de confiance d'environ 60 %. L'écart d'intercept estimé de l'item 3 vaut 0,33, pour une valeur vraie de 0,40.

La règle de sélection a retenu l'item 3 dans les 100 tirages sur 100.

L'erreur de simulation est l'écart-type des 100 tirages divisé par √100. Le biais du modèle scalaire, +0,156, la dépasse largement ; celui du modèle scalaire partiel, +0,006, est de l'ordre de la sienne : il n'est pas distinguable de zéro.

• Un seul construit mesuré par les quatre items. Les items ne mesurent-ils pas aussi autre chose, comme la satisfaction ?
• Normalité approximative des réponses pour le maximum de vraisemblance. Vos réponses sont-elles sur 5 points, avec des effets plancher ou plafond ? Si oui, il faut des méthodes ordinales.
• Au moins une partie des items invariants : l'invariance partielle suppose de savoir quels items sont fiables. Hypothèse non testable entièrement : le choix de l'item à libérer est guidé par les données, ce qui comporte toujours un risque de raisonnement ad hoc ^[C14], et doit être répliqué. Ici, le modèle partiel laisse contraintes les quatre pondérations et trois des quatre intercepts : la règle citée plus haut ^[C12] est donc satisfaite, ce qui ne la rend pas pour autant établie — sa source la rapporte comme beaucoup débattue ^[C16].
• Modèle partiel choisi après coup : l'erreur-type, l'intervalle et le p du modèle partiel supposent un modèle fixé à l'avance. Ils ne tiennent pas compte du fait que l'item libéré a été choisi après examen des données, et sont donc trop optimistes.
• Échantillons indépendants entre pays. Vos deux échantillons viennent-ils de panels distincts, ou un même répondant a-t-il pu répondre pour les deux pays ou sur deux vagues ?
• Deux groupes seulement ici. Au-delà, les mêmes étapes s'appliquent, mais les seuils usuels et le facteur √G changent, et le choix des items à libérer devient plus délicat.

• Le test du χ² est très sensible à de petits écarts sans importance dans les grands échantillons ^[C06] ; on regarde donc aussi la variation du CFI. Une baisse de plus de 0,01 entre modèles emboîtés est le seuil couramment utilisé ^[C05]. Ici, le modèle scalaire perd 0,036 de CFI, un net signal de non-invariance ; le modèle partiel ne perd rien.
• Le RMSEA raconte la même histoire : 0,040 et 0,031 pour les modèles configural et métrique, 0,101 pour le scalaire — le double du seuil usuel de 0,05 — et 0,028 pour le partiel.
• L'écart d'intercept de l'item 3 localise la source du problème.
• Erreur-type de l'écart latent : 0,07. L'intervalle approximatif à 95 %, calculé sur les valeurs non arrondies à environ deux erreurs-types, va de 0,04 à 0,31. Le sens de l'écart est établi ; son ampleur ne l'est pas, puisque cet intervalle est compatible aussi bien avec un effet très faible qu'avec un effet sept fois plus grand — et il ne tient pas compte de la sélection de l'item.

La structure et les pondérations sont les mêmes dans les deux pays ; les intercepts, non. L'analyse localise l'écart sur l'item 3 : en Allemagne, cet item recueille des réponses plus élevées à niveau de confiance égal. Elle ne dit pas pourquoi. Ici, nous savons que la traduction est en cause parce que nous avons construit les données ainsi ; sur des données réelles, un intercept non invariant désigne l'item, jamais sa cause — il reste à relire la traduction, vérifier l'ordre des items ou examiner un usage local du terme. Forcer l'égalité des intercepts attribue cet écart à la confiance : sur 100 tirages, cela ajoute 0,15 écart-type à l'estimation. Des intercepts inégaux faussent gravement la comparaison des moyennes ^[C07].

• Permis : « Une fois l'item 3 libéré, la confiance latente est plus élevée en Allemagne d'environ 0,18 écart-type de la distribution française, avec une incertitude notable (erreur-type 0,07) et un modèle choisi après examen des données. »
• Permis : « Forcer l'égalité des intercepts, malgré un item non invariant, gonfle systématiquement l'écart estimé : de 0,15 écart-type en moyenne dans notre simulation. »
• Interdit : comparer les scores moyens bruts des deux pays sans avoir établi l'invariance scalaire, au moins partielle. C'est seulement sous invariance scalaire que les écarts de moyenne latente rendent compte des écarts de moyenne des items ^{[C09, C10, C11]}.
• Interdit : conclure de l'analyse que la traduction est fautive ; elle désigne un item, pas une cause.
• Interdit : présenter ces chiffres comme un résultat de marché ; les données sont synthétiques.

Établir d'abord la cause de l'écart sur l'item 3 — traduction, formulation, usage local —, puis corriger ou remplacer l'item dans la version allemande avant la prochaine vague. En attendant, publier les comparaisons entre pays à partir du modèle partiel, jamais à partir des scores bruts. La décision de réviser la traduction reste humaine.

• Utiliser : dès qu'on compare des scores d'échelle entre pays, langues, segments ou vagues d'enquête. La démonstration de cette page porte sur deux groupes, quatre items et des réponses continues.
• Ne pas utiliser seul : avec deux items par construit, où le modèle n'est identifiable qu'au prix de contraintes supplémentaires — celles-là mêmes que le test est censé éprouver —, ou avec des échantillons très petits.
• Alternatives : les méthodes pour données ordinales. L'invariance partielle, devenue une pratique courante ^[C08], mais aux standards variables ^[C17]. L'invariance approchée, d'inspiration bayésienne, qui contraint les paramètres plus étroitement que l'invariance partielle au lieu de libérer complètement un item ^[C15].

• Python 3.14.5, bibliothèque standard seule : python msc-p042-reference.py
• R 4.6.1, base seule : Rscript msc-p042-reference.R
• Les deux programmes impriment exactement les mêmes lignes. Empreinte sha256 de la sortie, après normalisation des fins de ligne : a0b6fce517d9c53684494d9aa6ccaffc9f0614d1299c464054f04dda98393972. Graine déclarée 20260916. Aucune bibliothèque tierce : le logiciel ne valide pas la méthode, il la reproduit.
• Contrôle externe par le paquet R lavaan : prévu, non encore réalisé à ce jour.

La table des quatre modèles et des comparaisons, l'item défaillant et son écart d'intercept, l'écart latent entre pays avec son erreur-type sous le modèle retenu, et le biais moyen qu'introduit le modèle scalaire sur des tirages répétés.

• Putnick, D. L. & Bornstein, M. H. (2016). Measurement Invariance Conventions and Reporting. Developmental Review 41, 71–90. ↗ — manuscrit d'auteur NIH en accès libre, texte intégral vérifié ^{[C01–C10, C17, C18]}.
• Van de Schoot, R., Schmidt, P., De Beuckelaer, A., Lek, K. & Zondervan-Zwijnenburg, M. (2013). Facing off with Scylla and Charybdis: a comparison of scalar, partial, and the novel possibility of approximate measurement invariance. Frontiers in Psychology 4, 770. ↗ — accès libre sous licence CC BY, mention lue dans l'article même, texte intégral vérifié ^[C11–C16].
• Niveau de preuve : démonstration sur données synthétiques, un tirage détaillé et 100 tirages répétés, reproductible en Python et en R. Ce n'est pas un résultat de marché.