📊 statistics

From Structural Equation Modelling to Double Machine Learning: Robustness Analysis for Survey-Based Research

Cet article propose et démontre un cadre d'analyse de robustesse par étapes qui intègre la modélisation par équations structurelles, la régression des moindres carrés ordinaires et l'apprentissage automatique double pour valider la stabilité des relations structurelles basées sur des enquêtes à travers différentes méthodes d'estimation, en utilisant un modèle d'intimité numérique du client FinTech comme étude de cas.

Auteurs originaux : Ka Ching Chan, Qiana Liu, Sanjib Tiwari, Ranga Chimhundu

Publié 2026-07-02

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ka Ching Chan, Qiana Liu, Sanjib Tiwari, Ranga Chimhundu

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

Imaginez que vous êtes un détective essayant de résoudre un mystère sur la façon dont les gens perçoivent une nouvelle application financière (FinTech). Vous avez un ensemble d'indices (réponses à un sondage) concernant des éléments tels que la « confiance », la « satisfaction » et « la fréquence d'utilisation de l'application ».

Pendant longtemps, les chercheurs ont utilisé un outil spécifique appelé Modélisation par Équations Structurelles (SEM) pour relier ces indices. Considérez le SEM comme une carte technologique et sur mesure. Il est excellent car il peut gérer des concepts « invisibles » (comme la « confiance », que l'on ne peut pas mesurer avec une règle) en combinant de nombreuses questions de sondage en un seul score global. Il dessine une carte montrant comment une chose mène à une autre (par exemple, « La confiance mène à la Satisfaction »).

Le Problème :
L'article soutient que s'appuyer uniquement sur cette carte personnalisée est risqué. Et si la carte semble correcte uniquement parce que vous l'avez dessinée ainsi ? Et si les connexions disparaissaient si l'on examinait les données d'une manière légèrement différente ? Les auteurs disent : « Ne vous fiez pas seulement à la carte ; testons le terrain avec différents véhicules pour voir si les routes existent réellement. »

La Solution : Un contrôle de robustesse en trois étapes
Les auteurs proposent un nouveau flux de travail qui agit comme un test de véhicule en trois étapes pour voir si les routes (les relations) sur votre carte sont réelles ou n'est qu'une illusion.

Étape 1 : La Carte Personnalisée (SEM)

Ce que c'est : La méthode standard. Vous construisez votre carte basée sur la théorie.
L'analogie : C'est comme dessiner le plan d'une maison basé sur votre théorie architecturale. Vous savez où les murs devraient se trouver.
La règle de l'article : Ne jetez pas tous les murs simplement parce que le plan semble instable pour le moment. Gardez le plan complet pour les étapes suivantes.

Étape 2 : La Marche Transparente (Régression OLS)

Ce que c'est : Une méthode statistique plus simple et standard.
L'analogie : C'est comme marcher dans la maison avec une lampe de poche. Vous n'utilisez plus le plan sophistiqué ; vous regardez simplement les matériaux bruts (les scores du sondage) et vous demandez : « Si je marche de la cuisine au salon, y a-t-il réellement un chemin, ou est-ce juste un mur ? »
Pourquoi le faire ? C'est un « test de cohérence ». Si le plan indique qu'il y a un chemin, mais que votre marche à la lampe de poche montre une impasse, vous savez que quelque chose ne va pas.

Étape 3 : Le Véhicule Tout-Terrain (Double Machine Learning - DML)

Ce que c'est : Une méthode informatique sophistiquée qui utilise l'IA (Apprentissage Automatique) pour gérer les distractions.
L'analogie : Imaginez que vous conduisez un véhicule tout-terrain (VTT) à travers la jungle. La jungle est pleine de lianes, de boue et de rochers (d'autres facteurs comme « l'âge », « le revenu » ou « d'autres fonctionnalités de l'application ») qui pourraient cacher le chemin.
- Les méthodes standards pourraient rester coincées dans la boue.
- Le DML est comme un VTT intelligent capable de couper automatiquement les lianes et de lisser la boue pour voir le chemin en dessous. Il demande : « Même si nous ignorons toutes ces distractions, est-ce que le chemin de la "Confiance" vers la "Satisfaction" existe toujours ? »
- Les auteurs testent cela avec trois différents « moteurs de VTT » (Forêt Aléatoire, Gradient Boosting et Machines à Vecteurs de Support) pour s'assurer que le chemin n'est pas seulement le résultat d'un moteur spécifique.

Le Contrôle de la « Direction Inverse »

Parfois, la carte dit que « A cause B », mais peut-être que « B cause A ».

L'analogie : Imaginez une rivière. La carte dit que l'eau coule de la montagne vers la mer. Mais et si la mer poussait en fait l'eau vers la montagne ?
Les auteurs vérifient cela en conduisant le VTT en marche arrière. Si le chemin semble fort dans les deux sens, il peut s'agir d'une rue à double sens (une relation réciproque) plutôt que d'une route à sens unique.

Ce qu'ils ont trouvé (L'étude de cas FinTech)

Ils ont testé cela sur un sondage concernant l'Intimité Client Numérique (la proximité que les clients ressentent avec une application financière).

Les Routes Solides : La plupart des chemins sur leur carte étaient réels. Que l'on utilise le plan, la lampe de poche ou le VTT, les connexions entre des éléments comme la « Qualité Perçue », l'« Attitude » et l'« Intimité Numérique » tenaient bon.
Les Ponts Fragiles : Certains chemins étaient délicats.
- Usage vs Satisfaction : Le plan disait « Utiliser davantage l'application vous rend moins satisfait ». La lampe de poche était d'accord, mais le VTT s'est emmêlé les pinceaux selon la façon dont l'« usage » était mesuré. Cela signifie que la relation est sensible à la manière dont on mesure les choses.
- Confiance vs Intimité : La carte disait « La confiance mène à l'intimité », mais le contrôle inverse a montré que « L'intimité pourrait aussi mener à la confiance ». Cela suggère une relation à double sens, et non une rue à sens unique.
Les Impasses : Certains chemins (comme « la Conscience du Client » menant à l'« Attitude ») étaient faibles dans le plan et le sont restés dans tous les autres tests. Ce sont probablement des impasses qui devraient être supprimées de la théorie finale.

La Grande Conclusion

L'article ne dit pas que « l'apprentissage automatique remplace l'ancienne méthode ». Il dit plutôt : « Utilisez l'ancienne méthode pour construire votre théorie, mais utilisez l'apprentissage automatique comme un test de résistance pour voir si votre théorie est assez solide pour survivre à différentes conditions. »

Ils ont même créé un classeur Google Colab (un cahier de code gratuit en ligne) afin que d'autres chercheurs puissent utiliser ce flux de travail précis « Carte + Lampe de poche + VTT » pour leurs propres études. C'est un outil pour empêcher les chercheurs de prendre des décisions basées sur une seule carte potentiellement erronée.

Résumé Technique : De la modélisation par équations structurelles au Double Apprentissage Automatique

Énoncé du problème
La modélisation par équations structurelles (SEM) est le cadre standard pour la recherche basée sur des enquêtes impliquant des construits latents (ex. : confiance, satisfaction, intention). Bien que la SEM évalue efficacement les modèles de mesure et estime les relations structurelles dictées par la théorie, la signification de ses chemins dépend d'une spécification de modèle précise. Un coefficient de chemin significatif en SEM ne démontre pas intrinsèquement une stabilité sous des cadres d'estimation alternatifs, des représentations de scores ou des ajustements de contrôle flexibles. Par conséquent, les chercheurs manquent d'un flux de travail systématique et transparent pour déterminer si les relations clés restent robustes lors du passage d'une modélisation de variables latentes à une régression conventionnelle ou à des ajustements basés sur l'apprentissage automatique. La littérature récente a introduit le Double Apprentissage Automatique (DML) dans les systèmes d'information et l'a appliqué dans des contextes FinTech, pourtant le DML est rarement utilisé comme un outil de diagnostic de robustesse post-SEM, chemin par chemin, pour les modèles à construits latents.

Méthodologie : Le cadre étagé SEM–OLS–DML
Le document propose un cadre de robustesse à deux couches et huit étapes qui intègre la SEM, la régression par moindres carrés ordinaires (OLS) et le Double Apprentissage Automatique (DML). Le flux de travail est conçu pour séparer la génération de preuves de robustesse de son interprétation, garantissant que l'apprentissage automatique complète plutôt qu'il ne remplace la SEM.

Couche 1 : Génération de preuves
- Raffinement de la mesure et SEM de base : Le processus commence par le raffinement du modèle de mesure (validation des indicateurs, fiabilité et ajustement). Crucialement, le modèle structurel complet spécifié par la théorie est ré-estimé en tant que « modèle SEM de référence de robustesse » avant toute suppression de chemins basée sur la significativité.
- Construction de scores : Deux types de scores de construits au niveau des répondants sont générés : (a) des scores de facteurs SEM (préservant la structure latente et les chargements factoriels) et (b) des scores composites moyens (un benchmark simple et transparent).
- Traduction SEM-vers-Régression : Chaque chemin structurel de la SEM de base est traduit en une spécification par chemin pour l'OLS et le DML. Pour une équation structurelle $Y \sim D + X$ , le prédicteur focal $D$ est la variable d'intérêt, tandis que les autres prédicteurs $X$ dans la même équation sont traités comme des contrôles co-prédicteurs.
- Benchmark OLS : Une régression OLS est effectuée sur les scores de construits pour fournir un benchmark linéaire transparent. Cela vérifie si le schéma de chemin impliqué par la SEM reste visible sous les hypothèses de régression conventionnelles.
- Résidualisation de type DML : Le DML est appliqué pour examiner la stabilité sous un ajustement de contrôle flexible. La variable de résultat ( $Y$ ) et le prédicteur focal ( $D$ ) sont régressés sur le vecteur de contrôle ( $X$ ) en utilisant des apprenants d'apprentissage automatique (Forêt Aléatoire, Gradient Boosting et Machine à Vecteurs de Support) pour estimer les fonctions de nuisance. Les résidus sont ensuite utilisés pour estimer la relation focale. Le cross-fitting est employé pour éviter le surapprentissage.
- Tests de sensibilité : Le cadre inclut des vérifications de la sensibilité de l'apprenant (comparaison entre RF, GBM, SVM) et de la sensibilité du score (comparaison entre scores factoriels et composites). Des diagnostics de direction inverse sélectionnés sont également effectués pour tester la robustesse directionnelle.
Couche 2 : Interprétation intégrée
- Les résultats de la SEM, de l'OLS et du DML sont comparés à travers les méthodes, les types de scores et les apprenants.
- Les chemins sont classés selon leur convergence ou divergence :
  - Fortement robustes : Direction et significativité stables à travers toutes les méthodes.
  - Partiellement robustes / Sensibles au DML : La direction est stable, mais la significativité s'affaiblit sous un ajustement de contrôle flexible.
  - Sensibles au score : Les résultats dépendent fortement de l'utilisation de scores factoriels ou de scores composites.
  - Directionnellement instables : Les signes s'inversent ou les diagnostics de direction inverse montrent un soutien plus fort pour la direction opposée.

Démonstration empirique
Le cadre est appliqué à un modèle d'enquête de l'intimité numérique du client (DCI) dans la FinTech contenant 17 chemins structurels et des construits tels que la Qualité Perçue, l'Expérience Utilisateur, la Confiance et la Connexion Émotionnelle.

Résultats : La plupart des chemins (ex. : $PQ \to AT$ , $AT \to BI$ , $EC \to DCI$ ) sont restés fortement robustes à travers la SEM, l'OLS et les apprenants DML pour les deux types de scores.
Résultats nuancés :
- $UB \to SA$ (Comportement d'usage vers Satisfaction) : Significatif et négatif en SEM et en DML avec scores factoriels, mais faible/non significatif dans les vérifications de scores composites, indiquant une sensibilité de la représentation du score.
- $TR \to EC$ (Confiance vers Connexion Émotionnelle) : Non significatif en SEM mais significatif dans les vérifications basées sur les scores avec une sensibilité de signe, nécessitant une revue théorique.
- $CA \to AT$ (Conscience du Client vers Attitude) : Faible à travers toutes les méthodes, suggérant qu'il peut être un candidat à l'élimination si la théorie est faible.
- Diagnostics inverses : La relation entre la Connexion Émotionnelle et la DCI a montré une stabilité dans les deux directions, suggérant une association réciproque.

Contributions clés

Flux de travail pratique : Le document fournit un flux de travail étagé et reproductible pour traduire les chemins impliqués par la SEM en vérifications de robustesse de type OLS et DML sans traiter l'apprentissage automatique comme un substitut à la modélisation de variables latentes.
Clarté diagnostique : Il clarifie comment interpréter la sensibilité de la représentation du score (factoriel vs composite) et la sensibilité de l'apprenant (RF vs GBM vs SVM) dans la recherche basée sur les enquêtes.
Disponibilité des ressources : Les auteurs fournissent un cahier Google Colab et des fichiers de résultats générés via Zenodo, offrant un modèle réutilisable pour les chercheurs souhaitant adapter ce flux de travail de robustesse à d'autres études de construits latents basées sur des enquêtes.

Signification et affirmations
Le document positionne ce cadre comme un « processus de support à la décision de modèle » plutôt que comme un simple appendice de robustesse. Sa principale importance réside dans le passage d'une pratique de recherche « élaguer puis vérifier » (supprimer les chemins non significatifs immédiatement après la SEM) à une approche « vérifier puis décider ». En conservant le système complet de chemins théoriques pour l'analyse de robustesse en aval, les chercheurs peuvent prendre des décisions structurelles finales basées sur une convergence de preuves issues de la modélisation latente, de la régression transparente et des ajustements flexibles par apprentissage automatique.

Les auteurs affirment explicitement que cette approche renforce l'évaluation de la robustesse mais n'établit pas de revendications causales définitives (interventionnelles ou contrefactuelles) dans les données d'enquêtes transversales. Le cadre est conçu pour identifier quelles relations sont stables et lesquelles nécessitent une interprétation prudente, une discussion théorique plus approfondie ou une validation longitudinale. Il comble un vide méthodologique en positionnant le DML spécifiquement comme un outil de diagnostic post-SEM pour les modèles à construits latents, se distinguant de son utilisation comme estimateur primaire en inférence causale ou comme outil de prédiction dans les études d'intégration SEM-ML.