L’analyse d’items
l’analyse d’items désigne l’ensemble des méthodes statistiques utilisées pour évaluer la qualité de chaque question d’un test et sélectionner les meilleurs items (à inclure, retirer ou maintenir). Ces analyses visent à déterminer dans quelle mesure chaque item contribue efficacement à la mesure du construit latent, à la cohérence interne de l’échelle et à la comparabilité des résultats entre les répondants
Statistiques les plus fréquemment utilisées
- moyennes et écarts-types
- corrélations inter-items
- modèle de fidélité interne
- corrélations item-total corrigées
- indices de discrimination
- statistiques de suppression d’items
Statistiques les plus fréquemment utilisées
Les moyennes et écarts-types (Item Statistics)
pour évaluer la tendance centrale et la dispersion des réponses à chaque item ;
-> C’est important de connaître les moyennes (si elles sont extrêmes, il faut modifier le test et qu’elles sont les items avec des moyennes élevées)
Statistiques les plus fréquemment utilisées
corrélations inter-items (Correlation Matrix)
pour examiner les relations entre les différents items et détecter les redondances ou incohérences ;
-> Permet de savoir la corrélation entre 2 items et s’ils mesurent la même chose (donc favoriser un contenu, ce qui est pas correct)
-> Corrélation inter-items forte = plus de variance (en théorie) mais c’est une augmentation artificielle
Statistiques les plus fréquemment utilisées
modèle de fidélité interne (Alpha de Cronbach ordinal ou équivalents)
pour estimer la cohérence de l’ensemble des items mesurant un même construit
o Joue un rôle central dans l’analyse des items d’un questionnaire.
o Cronbach (1956) :
- Les items doivent être cohérents entre eux.
- Si ce n’est pas le cas → problème dans la structure du test.
- Avait proposé un seuil minimal de 0,8 pour l’alpha.
o Révision ultérieure → seuil abaissé à 0,7.
o Aujourd’hui : on considère 0,7 comme la valeur minimale acceptable de cohérence interne.
o Repose sur l’hypothèse de tau-équivalence (limite)
- Suppose que tous les items ont la même importance pour le construit.
- En réalité, cette condition est rarement respectée.
o Oméga de McDonald (ω) :
- Tient compte de l’importance réelle de chaque item.
- Estime plus précisément la fidélité interne.
o Tendance actuelle :
- Remplacer l’alpha de Cronbach par l’oméga de McDonald.
- L’oméga est considéré comme la mesure de fidélité interne la plus fiable.
Statistiques les plus fréquemment utilisées
Les indices de discrimination (D)
indique dans quelle mesure l’item distingue les personnes. Un bon item est celui que les meilleurs répondants ont tendance à réussir et que les moins bons ont tendance à échouer
Statistiques les plus fréquemment utilisées
corrélations item-total corrigées (Item-Total Statistics)
o Les corrélations item-total corrigées (Item-Total Statistics) : pour identifier les items qui contribuent faiblement ou négativement à la fidélité du test ;
Mesurent le lien entre un seul item et le score total de tous les autres items d’une échelle. Elles permettent d’évaluer la pertinence d’un item en montrant s’il mesure le même construit que les autres, et une valeur élevée indique une forte corrélation positive, tandis qu’une valeur faible peut suggérer que l’item devrait être supprimé
- Les indices de difficulté (p) : indique combien de personnes ont réussi l’item. Valeur élevée = item facile ; valeur faible = item difficile ;
Statistiques les plus fréquemment utilisées
Les statistiques de suppression d’item (Omega if item deleted)
pour estimer l’effet de la suppression d’un item sur la fidélité globale du test.
On supprime un item à la fois et on recalcule le coefficient (alpha ou oméga).
Si la suppression augmente la valeur du coefficient, l’item en question diminue la cohérence du test → il peut être problématique.
Si la suppression diminue le coefficient, l’item contribue positivement à la cohérence interne → il doit être conservé.
Analyse d’items
Quel est le rôle de l’analyse d’items
- L’analyse d’items joue ainsi un rôle central dans la standardisation et la fidélité d’un test psychologique.
- Elle contribue à la standardisation en s’assurant que chaque item fonctionne de manière équivalente pour tous les répondants, indépendamment du contexte ou du sous-groupe analysé, permettant ainsi l’établissement de normes de comparaison justes et stables.
- Elle soutient également la fidélité en identifiant les items qui mesurent de façon cohérente le même construit latent : les items présentant une faible corrélation avec le score total ou un comportement erratique réduisent la cohérence interne du test
Concepts fondamentaux
Les corrélations en analyse d’items :
- permettent d’examiner les relations entre les items d’un test et d’identifier ceux qui contribuent réellement à la mesure du construit évalué.
- Pour effectuer ce type d’analyse, un grand nombre d’items candidats est d’abord présenté à un échantillon assez grand de la population cible.
- Idéalement, il devrait y avoir entre cinq et dix fois plus d’items candidats que le nombre final d’items souhaités pour chaque dimension du test
Concepts fondamentaux
Théorie classique des tests
Les chercheurs appliquent ensuite diverses procédures statistiques basées sur les corrélations afin d’éliminer les items les moins performants ou redondants.
Concepts fondamentaux
Selon la théorie classique des tests (TCT), un item peut être retiré si les réponses :
- Ne sont pas cohérentes avec le contexte conceptuel ou la dimension évaluée (analyse qualitative);
- Présentent des moyennes extrêmes (ex. : 1 ou 5 sur une échelle de 1 à 5), indiquant une absence de variabilité;
- Montrent peu de dispersion (p. Ex. : 1.1, 1.2 ou 4.8, 4.9), suggérant un item non discriminant;
- Sont trop fortement corrélées à d’autres items (r > 0,80, 0,85, 0,90 ou 0,95), indiquant une redondance excessive;
- Sont faiblement corrélées avec le score total du test ou avec la majorité des autres items, révélant une faible cohérence interne
Concepts fondamentaux
situer l’analyse d’items dans le processus global de développement d’un instrument psychométrique
- Contextualisation dans le processus de construction d’un test
- Objectif fondamental
- Distinction entre analyses qualitatives et quantitatives
- Nature empirique et logique itérative
- Transition vers la validité et la fidélité
Concepts fondamentaux
Contextualisation dans le processus de construction d’un test
situer l’analyse d’items dans le processus global de développement d’un instrument psychométrique
o L’analyse d’items intervient après la rédaction initiale des items (analyse de contenu) et avant la validation factorielle (analyse dimensionnelle).
Concepts fondamentaux
Objectif fondamental
situer l’analyse d’items dans le processus global de développement d’un instrument psychométrique
o Identifier les questions qui mesurent de façon précise, cohérente et discriminante le construit visé, tout en éliminant celles qui ajoutent du bruit ou de la redondance statistique
Concepts fondamentaux
Distinction entre analyses qualitatives et quantitatives
situer l’analyse d’items dans le processus global de développement d’un instrument psychométrique
o L’analyse d’items combine une phase qualitative (évaluation du contenu, de la clarté et de la pertinence des items) et une phase quantitative (analyses statistiques fondées sur les réponses empiriques).
Concepts fondamentaux
Nature empirique et logique itérative
situer l’analyse d’items dans le processus global de développement d’un instrument psychométrique
o L’analyse d’items est un processus itératif : les résultats statistiques guident les révisions, suivies de nouvelles collectes de données jusqu’à l’obtention d’un ensemble d’items stables et performants.
Concepts fondamentaux
Transition vers la validité et la fidélité
situer l’analyse d’items dans le processus global de développement d’un instrument psychométrique
o Cette étape constitue la première vérification empirique du test, puisqu’elle permet de vérifier la cohérence interne, la précision et la structure préliminaire de la mesure.
Mesures et interprétations
Calcul d’un coefficient de corrélation
x=différence entre le X et la moyenne M (same pour y)
x au carré = multiplier le x par lui-même (pour annuler les signes négatifs)
xy= x multiplier par y
ET = racine carré de (x2 divisé par n)
on parle ici d’une corrélation de Pearson
Si on change la moyenne par une médiane c’est une corrélation colichorique/ polychorique
Tétrachorique si on change la moyenne par le mode
Corrélation polychorique = on utilise la médiane
Mesures et interprétations
La variabilité est-elle adéquate ou pas ?
a. Si l’écart-type est plus petit que la moitié de la valeur de la moyenne c’est la première indication que oui nous avons probablement une variabilité adéquate (check le Mean par rapport à Variance)
i. Variance = ET au carré
b. La valeur de la variance doit etre plus grande que la moyenne : variabilité est adéquate
c. 5.7 doit être plus petit que 15.10
d. 33 plus grand que 15
2. Omega au dessus de 7 : haut niveau de précision
Mesures et interprétations
Analyse parallèle
Analyse d’item qui démontre que l’ensemble de 8 items donne un niveau de précision de 0.6 (si je retire un item les résultats de précisions augmentent
* Est-ce que les items ici mesurent vraiment une dimension (ou plusieurs) ?
o Les analyses parallèles permettent de répondre à cette question
Les analyses parallèles :
* Le pourcentage de variance des données donne pour item 1 59.88%
o Si le 59 est plus grand que 20 et 23 (ligne d’à côté) alors il teste une seule dimension
o Ca veut dire un seul construit psychosocial est mesuré ici
Rôle des moyennes et des écarts-types dans l’analyse d’items:
- Les moyennes indiquent la tendance centrale des réponses à chaque item.
- Elles montrent à quel point les participants, en moyenne, approuvent ou réussissent un item.
- Un item avec une moyenne très haute ou très basse peut être trop facile, trop difficile ou mal formulé.
- Les écarts-types montrent la dispersion des réponses.
- Un petit écart-type suggère que tout le monde a répondu de façon semblable (donc l’item ne discrimine pas).
- Un grand écart-type indique une variabilité suffisante pour distinguer les participants selon le trait mesuré.
Rôle des corrélations inter-items dans l’analyse d’items:
- Les corrélations inter-items indiquent le degré de relation entre les réponses données à deux items différents.
- Elles permettent de vérifier si les items mesurent des aspects proches d’un même construit psychologique.
- Des corrélations modérées et positives (par exemple entre 0,20 et 0,60) sont souhaitables.
- Cela signifie que les items sont cohérents entre eux, mais pas redondants.
- Des corrélations trop élevées (supérieures à 0,80) peuvent indiquer une redondance — les items disent pratiquement la même chose.
- Des corrélations trop faibles (proches de 0) peuvent révéler une incohérence ou un mauvais alignement conceptuel.
Rôle des modèles de fidélité interne (Oméga) dans l’analyse d’items:
- Les modèles de fidélité interne servent à évaluer la cohérence globale d’un ensemble d’items censés mesurer un même construit latent.
- Ils permettent de vérifier si les items fonctionnent de manière harmonieuse et contribuent à une mesure stable et fiable.
- L’Oméga de McDonald (ω) est un indice de fidélité interne plus précis que l’alpha de Cronbach, car il repose sur un modèle factoriel.
Il tient compte du poids réel de chaque item (charge factorielle) dans le construit mesuré. Des valeurs élevées d’Oméga (souvent ≥ 0,70) indiquent une bonne cohérence interne, tandis que des valeurs basses suggèrent que certains items contribuent peu ou mal à la dimension évaluée
-
Cours 2 - concepts de base19
-
Cours 327
-
Cours 3 - des origines à la réalité30
-
Cours 421
-
Document Word18
-
Cours 5 - Les fondamentaux actuels en psychométrie30
-
cours 628
-
Cours 749
-
Cours 932
-
Cours 9 - analyse multitrait/factorielle27
-
Cours 11 : construction d'instruments de mesure43
-
Cours 12 : introduction aux normes de pratique51
