📊 statistics

Pairwise Target Rotation for Factor Models

Cet article propose un nouvel indice d'interprétabilité et une méthode de rotation de cible par paires correspondante qui incorpore efficacement des informations sémantiques a priori pour améliorer la récupération des structures latentes et la significativité des modèles d'analyse factorielle exploratoire.

Auteurs originaux : Justin Philip Tuazon, Gia Mizrane Abubo, Joemari Olea

Publié 2026-08-18

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Justin Philip Tuazon, Gia Mizrane Abubo, Joemari Olea

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Les psychologues et les chercheurs en sciences sociales tentent souvent de comprendre les qualités invisibles de l'esprit humain, telles que l'anxiété, l'intelligence ou les traits de personnalité. Ils ne peuvent pas mesurer ces choses directement, ils s'appuient donc sur des questionnaires remplis de nombreuses questions spécifiques. Lorsque les gens répondent à ces questions, les réponses sont appelées « variables manifestes ». L'objectif d'un outil statistique appelé analyse factorielle est de trouver les motifs cachés qui relient ces réponses. Il regroupe les questions qui ont tendance à être répondues de manières similaires, en supposant que chaque groupe révèle un trait sous-jacent unique. Cependant, un problème majeur empoisonne cette méthode depuis longtemps : les mathématiques permettent de nombreuses façons différentes de regrouper les mêmes questions, et toutes ces façons s'adaptent également bien aux données. Cela crée un puzzle où l'ordinateur peut produire une douzaine de cartes différentes du même territoire, mais une seule d'entre elles fait sens pour un lecteur humain. Pendant des décennies, les chercheurs ont lutté pour décider quelle carte est la vraie, s'appuyant souvent sur des suppositions subjectives sur quel regroupement semble le plus logique.

Une équipe de chercheurs de l'Université des Philippines et de l'Université du Texas à Austin a proposé une nouvelle façon de résoudre ce puzzle en utilisant le sens réel des mots dans les questions. Ils soutiennent que si deux questions portent sur des idées similaires, elles devraient naturellement appartenir au même groupe caché. Pour tester cela, ils ont développé une nouvelle méthode qui traite le sens des questions comme un guide. Au lieu de simplement regarder comment les gens ont répondu, leur méthode examine les mots eux-mêmes. Ils utilisent des programmes informatiques pour mesurer à quel point les phrases sont similaires en termes de sens, créant ainsi une « carte du sens ». Ils comparent ensuite cette carte à la carte statistique générée par les données. Si les deux cartes concordent — c'est-à-dire si les questions qui sont sémantiquement similaires se retrouvent également dans le même groupe statistique — les chercheurs considèrent que le résultat est hautement interprétable et significatif.

Les chercheurs ont introduit un nouveau score pour mesurer cet accord. Ils l'appellent un indice d'interprétabilité. Ce score ne vérifie pas seulement si les mathématiques fonctionnent ; il vérifie si les résultats font sens dans le monde réel. Si les groupes statistiques s'alignent avec les groupes sémantiques, le score est élevé. Si les groupes sont mélangés, le score est bas. En utilisant ce score, ils ont créé une nouvelle méthode de rotation, qui est un processus mathématique qui réorganise les groupes pour trouver la meilleure adaptation possible. Ils ont nommé ce processus « rotation par cible par paire », ou « priorimax ». Contrairement aux anciennes méthodes qui tentent de forcer les questions dans des boîtes isolées et nettes, cette nouvelle méthode pousse doucement les groupes jusqu'à ce qu'ils correspondent aux attentes des chercheurs concernant les questions qui devraient aller ensemble en fonction de leur formulation.

Pour voir si cette idée fonctionne réellement, l'équipe a lancé des milliers de simulations informatiques. Ils ont créé des données fictives avec des structures cachées connues et ont ensuite tenté de récupérer ces structures en utilisant leur nouvelle méthode et plusieurs anciennes méthodes standards. Les simulations ont montré que leur nouvelle méthode était meilleure pour trouver la véritable structure cachée, surtout lorsque les questions présentaient des relations complexes où une question pouvait être liée à plus d'un trait caché. La nouvelle méthode était particulièrement efficace lorsque la « carte du sens » était précise. Lorsque les chercheurs ajoutaient du bruit ou des erreurs à la carte de sens, la performance de la méthode chutait, ce qui a confirmé que la méthode dépend de la qualité de l'information sémantique. Cependant, lorsque l'information était propre, la nouvelle méthode surpassait systématiquement les approches traditionnelles, trouvant les groupes corrects plus souvent et avec une plus grande stabilité.

Les chercheurs ont ensuite testé leur méthode sur des données réelles provenant de deux enquêtes psychologiques bien connues. La première mesurait la dépression, l'anxiété et le stress, contenant 42 questions. La seconde mesurait les cinq grands traits de personnalité, contenant 50 questions. Dans les deux cas, ils ont appliqué leur nouvelle méthode de rotation et ont comparé les résultats aux méthodes standards utilisées par les psychologues depuis des années. La nouvelle méthode a produit un score d'interprétabilité plus élevé dans les deux cas, suggérant que les groupes trouvés étaient plus cohérents avec les significations réelles des questions. Les résultats ont montré un lien positif clair : les questions qui sont similaires en sens avaient tendance à se regrouper dans l'analyse statistique. Cela a fourni une preuve solide que les mots que les gens lisent sur une page sont profondément connectés aux traits psychologiques qu'ils mesurent.

L'étude conclut que cette approche offre une façon plus intuitive et flexible d'analyser les données. Elle permet aux chercheurs d'incorporer leurs propres connaissances sur le sujet directement dans les mathématiques, sans avoir besoin de deviner des chiffres spécifiques au préalable. Bien que la méthode fonctionne mieux lorsque l'information sémantique est un bon reflet de la réalité, elle offre un outil puissant pour donner du sens à des données complexes. En comblant le fossé entre le sens des mots et les modèles de chiffres, les chercheurs ont fourni un moyen de garantir que les structures cachées trouvées dans les données ne sont pas de simples artefacts mathématiques, mais des représentations significatives de l'expérience humaine. Ce travail suggère que, dans le futur, la façon dont nous concevons les questions et la façon dont nous les analysons peuvent être plus étroitement alignées, menant à des perspectives plus claires sur les parties invisibles de l'esprit humain.

Résumé technique : Rotation par cible par paires pour les modèles de facteurs

Énoncé du problème
L'analyse factorielle exploratoire (AFE) est une méthode standard pour identifier les construits latents à partir de variables observées. Cependant, l'utilité de l'AFE repose fortement sur l'interprétabilité du modèle factoriel qui en résulte. Un obstacle majeur à l'interprétabilité est l'indétermination rotationnelle : des matrices de chargements mathématiquement équivalentes peuvent reproduire la même structure de covariance tout en impliquant des significations de fond très différentes. Bien que les chercheurs s'appuient souvent sur le jugement subjectif ou des critères de « structure simple » (parcimonie) pour résoudre cela, ces approches ne garantissent pas que les facteurs résultants soient substantiellement cohérents ou alignés avec la signification théorique des items. Les méthodes existantes qui intègrent des informations a priori, telles que la rotation par cible, nécessitent souvent des chargements cibles numériques précis, ce qui peut être difficile à spécifier dans des contextes exploratoires où les chercheurs ne possèdent que des attentes qualitatives sur les similitudes entre les items.

Méthodologie
Les auteurs proposent un nouveau cadre comprenant un indice d'interprétabilité et une méthode de rotation correspondante appelée rotation par cible par paires (ou priorimax).

Prémisse de l'interprétabilité : La méthode est fondée sur l'« Hypothèse Lexicale Profonde », qui postule que le contenu sémantique des items de questionnaires est intrinsèquement lié aux construits latents qu'ils mesurent. Les auteurs émettent l'hypothèse que les variables manifestes ayant des significations sémantiques similaires devraient présenter des profils de chargement similaires (c'est-à-dire des schémas d'association similaires avec les facteurs latents).
Fonctions de similitude :
- Similitude Sémantique ( $D_s$ ) : Calculée à l'aide du traitement du langage naturel (spécifiquement l'Universal Sentence Encoder) pour générer des plongements vectoriels (embeddings) des questions des items. La similitude entre deux items est mesurée par la distance angulaire entre leurs plongements, normalisée sur l'intervalle $[0, 1]$ .
- Similitude de Chargement ( $D_f$ ) : Calculée sur la base des chargements standardisés au carré des variables manifestes à travers tous les facteurs. Elle mesure l'accord dans les schémas de chargement entre les paires de variables.
L'Indice d'Interprétabilité ( $\omega$ ) :
- Les auteurs définissent un multiensemble de paires contenant la similitude sémantique et la similitude de chargement pour chaque paire de variables manifestes.
- L'indice est construit à partir de deux composantes :
  - $\tau$ (Kendall Tau-b) : Mesure la concordance monotone entre la similitude sémantique et la similitude de chargement. Elle est projetée sur $[0, 1]$ .
  - $\theta$ (basé sur la pente) : Dérivé de la pente de la régression des moindres carrés ordinaires (OLS) de la relation entre les similitudes sémantiques et de chargement. Cette composante mesure la « séparabilité » ou la distinction des schémas de chargement pour les items sémantiquement dissemblables. Elle est également projetée sur $[0, 1]$ .
- L'indice final, $\omega$ , est la moyenne géométrique de $\tau$ et $\theta$ : $\omega = \sqrt{\tau \theta}$ . Des valeurs plus élevées indiquent une meilleure interprétabilité.
Rotation Priorimax :
- Au lieu de spécifier une matrice de chargement cible, le chercheur fournit une matrice a priori ( $C$ ), qui encode les similitudes par paires (par exemple, les similitudes sémantiques) entre les items.
- La méthode de rotation est formulée comme un problème d'optimisation : trouver la matrice de rotation orthogonale $R$ qui maximise $\omega$ étant donné les chargements non tournés et la matrice a priori.
- L'optimisation est résolue à l'aide de l'algorithme COBYQA avec plusieurs démarrages aléatoires pour approximer le maximum global.

Principales contributions

Un nouvel indice ( $\omega$ ) : Une mesure quantitative de l'interprétabilité d'un modèle factoriel qui évalue l'accord entre l'information a priori (spécifiquement la sémantique des items) et la structure de chargement empirique. Contrairement aux indices précédents, il ne dépend pas des scores factoriels estimés, évitant ainsi l'indétermination des scores factoriels.
Rotation par cible par paires : Une méthode de rotation qui intègre des informations a priori sous la forme de similitudes par paires plutôt que de chargements cibles spécifiques. Cela la rend plus intuitive pour les contextes exploratoires où les valeurs de chargement exactes sont inconnues, mais où les relations entre les items sont comprises.
Généralisation : Le cadre permet à la matrice a priori d'être construite à partir de toute source d'information a priori (par exemple, le jugement d'experts, les regroupements théoriques), et pas seulement des plongements sémantiques.

Résultats

Étude de simulation :
- L'indice $\omega$ a correctement indiqué un meilleur ajustement du modèle lorsque les niveaux de bruit (variances spécifiques) étaient faibles et lorsque la matrice a priori était un bon substitut des vrais chargements.
- La rotation priorimax a surpassé les rotations orthogonales classiques (Varimax, Equamax, Quartimax) pour récupérer la véritable matrice de chargement spécifiquement lorsque des chargements croisés étaient présents (matrices de chargement génériques). Cependant, la méthode a été moins performante que les rotations standards pour les matrices de chargement simples qui suivent strictement une structure simple, car les rotations standards sont conçues pour rechercher cette parcimonie alors que la méthode priorimax ne le fait pas.
- La performance s'est dégradée à mesure que le niveau de bruit dans la matrice a priori augmentait, mais est restée robuste tant que la perturbation n'était pas excessive.
- L'utilisation de la matrice de corrélation de l'échantillon comme matrice a priori s'est avérée bénéfique uniquement en présence de chargements croisés ; elle a été moins performante que les rotations standards pour les structures simples.
Démonstration empirique :
- La méthode a été appliquée aux échelles de dépression, anxiété et stress (DASS) et au test de personnalité des Big Five.
- Dans les deux cas, la rotation priorimax a produit l'indice $\omega$ le plus élevé par rapport aux solutions non tournées, Varimax, Equamax et Quartimax.
- Les résultats ont démontré une relation monotone positive entre la similitude sémantique et la similitude de chargement, soutenant empiriquement le lien entre la formulation des items et les constres latents.

Signification et affirmations
L'article affirme que la méthode proposée offre un moyen « intuitif et flexible » d'intégrer l'information a priori dans l'AFE. En déplaçant l'accent de la recherche de la parcimonie vers la recherche de la cohérence sémantique, la méthode répond à la subjectivité inhérente à l'interprétation factorielle. Les auteurs affirment que l'indice $\omega$ sert de mesure de la qualité d'ajustement relative pour comparer différentes solutions de rotation. De plus, ils suggèrent que la méthode peut aider à la validation ex post (où un $\omega$ élevé indique une bonne validité) et potentiellement à la validation ex ante de questionnaires en examinant les structures latentes dérivées uniquement de la sémantique des items. L'article conclut que, bien que la méthode soit plus efficace lorsque l'information a priori est un substitut fort des vrais chargements, elle constitue une alternative robuste aux méthodes de rotation traditionnelles, en particulier pour les modèles complexes comportant des chargements croisés.

Articles similaires