Façons les plus robustes de calculer la validité fondée sur la structure interne
Les façons les plus robustes de calculer la validité fondée sur la structure interne — celle qui indique avec la plus grande rigueur la validité d’un instrument psychologique ou psychométrique — proviennent toujours d’une approche corrélationnelle :
a. l’analyse multitrait-multiméthode; ou,
b. l’analyse factorielle.
L’analyse multitrait-multiméthode:
- L’analyse multitrait–multiméthode consiste à examiner une matrice de corrélations entre plusieurs traits (ou construits psychologiques) et plusieurs méthodes de mesure.
- Elle permet d’évaluer simultanément la validité convergente (degré auquel deux mesures d’un même construit sont fortement corrélées) et la validité discriminante (degré auquel deux mesures de construits différents ne sont pas fortement corrélées) d’un test
L’analyse multitrait-multiméthode:
On compare les corrélations entre :
o les mêmes traits mesurés par des méthodes différentes (corrélations monotrait–hétérométhode) ;
o les traits différents mesurés par la même méthode (corrélations hétérotrait–monométhode) ;
o et les traits différents mesurés par des méthodes différentes (corrélations hétérotrait–hétérométhode).
L’analyse multitrait-multiméthode:
Attentes principales
o Les corrélations les plus fortes doivent être observées entre les mesures du même trait par des méthodes différentes, ce qui appuie la validité convergente.
o Les corrélations les plus faibles doivent apparaître entre des traits différents mesurés par des méthodes différentes, ce qui soutient la validité discriminante.
L’analyse multitrait-multiméthode:
Limites
o Cette approche est coûteuse et exigeante sur le plan méthodologique, car elle nécessite de mesurer plusieurs traits à l’aide de plusieurs instruments. Elle requiert également deux temps de passation, ce qui augmente considérablement la complexité logistique.
L’analyse multitrait-multiméthode:
2 temps à la validité multitrait-multiméthode
- Exemples de traits (A, B, C):
- Dépression (A), Tristesse (B), Désespoir (C)
- Exemples de méthodes (1, 2, 3):
- Observation directe (Méthode 1),
- Questionnaire papier (Méthode 2),
- Entrevue semi-structurée (Méthode 3)
voir schéma
Une matrice MTMM combine :
schéma
- plusieurs traits (ici : A = dépression, B = tristesse, C = désespoir) ;
- plusieurs méthodes (M1 = observation directe, M2 = questionnaire papier, M3 = entrevue semi-structurée).
L’analyse multitrait-multiméthode:
L’objectif principal est de vérifier deux aspects (et un petit bonus):
- la validité convergente : les mesures du même trait par des méthodes différentes devraient être fortement corrélées ;
- la validité discriminante : les mesures de traits différents (quelle que soit la méthode) devraient présenter des corrélations plus faibles.
- Le bonus réside dans la mesure test–retest.
L’analyse multitrait-multiméthode:
Identification dans la matrice :
2 aspects de l’objectif principal
- La validité convergente : on regarde les corrélations monotrait-hétérométhode, c’est-à-dire le même trait (A, B ou C) mesuré par des méthodes différentes ;
- Au tableau MTMM:
- A1↔A2, A1↔A3, A2↔A3 → validité convergente du trait dépression
- B1↔B2, B1↔B3, B2↔B3 → validité convergente du trait tristesse
- C1↔C2, C1↔C3, C2↔C3 → validité convergente du trait désespoir
- Ces corrélations devraient être élevées (souvent > .50) pour soutenir la validité convergente.
L’analyse multitrait-multiméthode:
La validité discriminante, elle se trouve dans les corrélations :
2 aspects de l’objectif principal
- hétérotrait–monométhode : traits différents, même méthode (ex. A1↔B1, A1↔C1, B1↔C1, etc.)
- hétérotrait–hétérométhode : traits différents, méthodes différentes (ex. A1↔B2, A1↔C3, B2↔C3, etc.)
- Ces corrélations doivent être plus faibles que les corrélations monotrait–hétérométhode pour indiquer une bonne différenciation entre les construits.
L’analyse multitrait-multiméthode:
Rôle du facteur “Temps 2”:
- La présence de deux temps de mesure (Temps 1 et Temps 2) permet aussi d’examiner la stabilité temporelle (corrélations test-retest) de chaque combinaison trait-méthode, par exemple : A1 (T1) ↔ A1 (T2) ; B1 (T1) ↔ B1 (T2), etc.
- Ces corrélations reflètent la fidélité temporelle, qui soutient la cohérence des mesures dans le temps.
L’analyse multitrait-multiméthode:
Interprétation synthétique :
- Les plus fortes corrélations (A1↔A2, A2↔A3, B1↔B2, etc.) soutiennent la validité convergente.
- Les corrélations modérées ou faibles (ex. A1↔B2, A2↔C3, B1↔C2, etc.) soutiennent la validité discriminante.
Les corrélations test–retest (même cellule à Temps 2) apportent une preuve supplémentaire de fidélité, mais elles ne relèvent pas directement de la validité au sens des Standards (2014)
L’analyse factorielle :
- Le principe fondamental de l’analyse factorielle est d’identifier une variable latente (appelée facteur) qui explique la variance commune entre plusieurs variables observées.
- Variables observées = manifester = répondu
- Idéalement, on doit disposer d’au moins trois variables observées (préférablement plus) qui dépendent d’un même facteur sous-jacent.
- Ce facteur représente donc la part essentielle de la variance vraie (c’est-à-dire la variance partagée entre ces variables).
L’analyse factorielle :
Questions typiques d’une analyse factorielle exploratoire (AFE) :
- Combien de facteurs l’analyse propose-t-elle ?
- Par rapport à la théorie
- Ex. Big Five mesure 5 traits de personnalité => est-ce que l’instrument mesure 5 items
- Quel est le pourcentage de variance expliquée par les items ou le modèle ?
- Tous les items sont-ils valides ou certains nécessitent-ils une reformulation ou une exclusion ?
L’analyse factorielle :
Colonnes principales
Tableau « Total Variance Explained »
- Initial Eigenvalues (Valeurs propres initiales)
- Ces valeurs proviennent de la matrice de corrélations initiale, avant toute extraction.
- Chaque facteur (ou composante) explique une certaine part de la variance totale.
- La valeur propre (eigenvalue) indique combien de variance un facteur explique. (faut que ça soit au-dessus de 1) pour avoir des facteurs intrinsèques à la mesure
- Combien de facteurs sont intrinsèques à la mesure
L’analyse factorielle :
Règle de Kaiser
Tableau « Total Variance Explained »
(critère le plus courant) :
* → On conserve les facteurs ayant une valeur propre > 1, car ils expliquent plus de variance qu’un item individuel (chaque item peut expliquer, au maximum, 1 de variance).
* Dans notre tableau :
* Facteurs 1 à 5 ont des valeurs propres > 1 → 5 facteurs devraient être retenus.
* Ensemble, ils expliquent 61,61 % de la variance cumulée.
L’analyse factorielle :
Extraction Sums of Squared Loadings (Sommes des carrés des saturations après extraction)
Tableau « Total Variance Explained »
- Ces colonnes montrent la variance expliquée après extraction des facteurs selon la méthode choisie (Unweighted Least Squares = Moindres carrés non pondérés).
- On observe une légère réduction des valeurs, car certaines portions de variance sont déjà expliqué par les facteurs précédents.
- Le pourcentage cumulé de variance expliquée après extraction (54,05 %) indique la proportion de la variance totale du test expliquée par les facteurs retenus (5 facteurs sont suffisantes pour expliquer un peu plus que la moitié de la variance total du construit).
L’analyse factorielle :
Interprétation globale :
Tableau « Total Variance Explained »
- Les cinq premiers facteurs présentent des eigenvalues > 1 et expliquent ensemble 54 % de la variance totale → structure multidimensionnelle plausible.
- Le Facteur 1 explique une part importante (près de 40 % avant rotation), ce qui pourrait indiquer : (% of variance)
- un facteur général fort (ex. : facteur de motivation globale, ou tendance centrale commune), ou
- une possible redondance entre plusieurs items (qui pourrait être vérifiée à partir de la matrice de corrélation).
L’analyse factorielle :
- Quelques étapes suivantes recommandées :
Tableau « Total Variance Explained »
- Examiner d’autres méthodes d’estimation du nombre de facteurs (p. ex. : analyse parallèle) afin de confirmer le nombre optimal de facteurs à retenir.
- Consulter la matrice des saturations factorielles (pattern matrix) pour déterminer quels items chargent sur chaque facteur.
- Nommer les facteurs en fonction du contenu conceptuel des items à charges fortes (≥ .40).
- On ne dit pas corrélation parce qu’il y a eu un phénomène de rotation
- Rotation des éléments/items pour éloigner les facteurs le plus possible
- Vérifier la cohérence interne (α, ω) pour chaque facteur retenu
L’analyse factorielle :
Structure générale :
Tableau « Factor »
- Les colonnes représentent les facteurs latents identifiés :
- Caractère consciencieux
- Agréabilité
- Ouverture
- Extraversion
- Névrosisme
- Les lignes contiennent les items (ou caractéristiques de personalité) utilisés dans le questionnaire.
- Chaque valeur numérique est une charge factorielle (factor loading), c’est-à-dire la corrélation entre l’item et le facteur latent (après rotation
L’analyse factorielle :
Interprétation des valeurs
Tableau « Factor »
- Une valeur élevée (souvent ≥ .40) indique que l’item est fortement lié au facteur.
- Une valeur faible (< .30) ou croisée sur plusieurs facteurs indique un item ambigu ou peu discriminant.
- Le signe (+ ou –) indique la direction de la relation (positive ou négative).
L’analyse factorielle :
Facteur 1
Tableau « Factor »
Lecture par facteur
- Facteur 1 — Caractère consciencieux
- Items : dédiée, responsable, soigneuse, travailleuse, organisée
- → Haute charge positive (.47 à .92).→ Interprétation : décrit la discipline, la rigueur et la fiabilité (facteur clairement définie, sans présence d’items complexe dans ce facteur).
L’analyse factorielle :
Facteur 2
Tableau « Factor »
Lecture par facteur
- Facteur 2 — Agréabilité
- Items : gentille, aimable, bienveillante, sympathique, compréhensive
- → Corrélations fortes (.46 à .69).→ Reflète la coopération, la bienveillance et la chaleur interpersonnelle. (facteur clairement définie, sans items complexe dans ce facteur)
L’analyse factorielle :
Facteur 3
Tableau « Factor »
Lecture par facteur
- Facteur 3 — Ouverture
- Items : artistique, créative, audacieuse, philosophique, aventureuse
- → Corrélations de .54 à .63.→ Décrit l’imagination, la curiosité et la recherche d’expériences nouvelles. Sans items complexe dans ce facteur.
-
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
