Analyse Factorielle Exploratoire (AFE) avec SPSS : Guide Complet pour Mémoire 2026

Vous avez construit un questionnaire, collecté vos données, et vous vous demandez maintenant comment regrouper vos variables en dimensions cohérentes. L’analyse factorielle exploratoire (AFE) avec SPSS est précisément la technique statistique qui répond à ce besoin : elle permet d’identifier les structures latentes sous-jacentes à un ensemble de variables observées, sans imposer a priori un modèle théorique. Pour les étudiants en master et en doctorat, maîtriser l’AFE est un avantage concurrentiel majeur dans la rédaction de leur mémoire ou de leur thèse.

Contrairement à l’analyse en composantes principales (ACP), qui maximise la variance totale expliquée, l’AFE vise à modéliser uniquement la variance commune (communalité) entre les variables. Cette distinction, souvent mal comprise, conditionne le choix du bon outil statistique selon vos hypothèses de recherche. Ce guide vous accompagne pas à pas, de la vérification des prérequis jusqu’à l’interprétation et la rédaction des résultats dans votre mémoire.

1. Qu’est-ce que l’analyse factorielle exploratoire ?

Source : Bibliothèque Paul-Émile-Boulet (UQAC) — SPSS : L’analyse factorielle exploratoire (ACP)

L’analyse factorielle exploratoire est une technique statistique multivariée dont l’objectif est de découvrir la structure latente d’un ensemble de variables observées. En d’autres termes, elle cherche à répondre à la question : « Existe-t-il un nombre réduit de facteurs non observables (latents) qui expliquent les corrélations observées entre mes variables ? »

Le modèle mathématique de l’AFE postule que chaque variable observée X_i est une combinaison linéaire de k facteurs communs F_j et d’un facteur unique U_i :

X_i = λ_i1F₁ + λ_i2F₂ + … + λ_ikF_k + U_i

Où les λ_ij sont les saturations (ou loadings), c’est-à-dire les corrélations entre chaque variable et chaque facteur. Cette technique est particulièrement utile en sciences humaines et sociales, en psychologie, en sciences de gestion et en santé publique, domaines où les construits théoriques (satisfaction, motivation, anxiété) ne peuvent être mesurés directement.

En France, l’AFE est fréquemment mobilisée dans les mémoires de master 1, master 2 et les thèses de doctorat pour valider la structure dimensionnelle d’échelles de mesure avant de procéder à des analyses confirmatoires ou à des tests d’hypothèses. Des travaux de référence sur HAL archives ouvertes documentent son usage croissant dans la recherche francophone en psychologie et sciences de gestion.

2. AFE vs ACP : quelle différence pour votre mémoire ?

La confusion entre l’AFE et l’analyse en composantes principales (ACP) est extrêmement courante. Voici les distinctions essentielles que votre jury attend de vous :

Pour la majorité des mémoires en sciences humaines qui cherchent à valider un questionnaire ou à mesurer des construits latents, l’AFE avec extraction par factorisation en axes principaux (FAP) est le choix méthodologiquement défendable devant un jury.

3. Prérequis et conditions d’application

Avant de lancer l’AFE dans SPSS, vérifiez les conditions suivantes :

• Taille d’échantillon : Le ratio recommandé est de 5 à 10 observations par variable. Un minimum absolu de 100 observations est généralement requis, et 200+ est préférable pour des résultats stables. Comrey et Lee (1992) proposent l’échelle : 50 = médiocre, 100 = acceptable, 200 = bon, 300 = très bon, 500+ = excellent.
• Niveau de mesure : Les variables doivent être continues ou pseudo-continues (échelles de Likert à 5+ points). Pour des variables ordinales avec peu de catégories, une matrice de corrélations polychoriques est préférable.
• Corrélations entre variables : Il doit exister des corrélations suffisantes (r > 0,30) entre au moins certaines variables. Si toutes les corrélations sont faibles, l’AFE n’est pas pertinente.
• Absence de multicolinéarité parfaite : Des corrélations supérieures à 0,90 signalent une redondance excessive et peuvent poser des problèmes d’estimation.
• Variables continues ou pseudo-continues : Pas de variables nominales dichotomiques isolées.

4. Test KMO et test de Bartlett dans SPSS

Ces deux tests s’obtiennent automatiquement dans SPSS via Analyse → Réduction des données → Analyse factorielle → Descriptives → KMO et test de sphéricité de Bartlett.

L’indice KMO (Kaiser-Meyer-Olkin)

Le KMO mesure l’adéquation de l’échantillonnage en comparant les corrélations observées aux corrélations partielles. Sa valeur varie entre 0 et 1 :

Dans votre mémoire, citez toujours la valeur KMO et interprétez-la explicitement. Un KMO de 0,82 se rapporte comme : « L’indice KMO (0,82) indique une adéquation méritoire de l’échantillon à l’analyse factorielle (Kaiser, 1974). »

Le test de sphéricité de Bartlett

Ce test vérifie que la matrice de corrélations n’est pas une matrice identité (ce qui signifierait que les variables sont toutes indépendantes, rendant l’AFE inutile). Vous avez besoin d’un résultat significatif (p < 0,05). Dans la pratique, avec des échantillons de taille raisonnable, ce test est presque toujours significatif. Reportez-le ainsi : « Le test de sphéricité de Bartlett est significatif (χ² = 1245,3 ; ddl = 78 ; p < 0,001), confirmant que les corrélations entre les variables sont significativement différentes de zéro. »

5. Méthodes d’extraction : comment choisir ?

SPSS propose plusieurs méthodes d’extraction. Pour une AFE rigoureuse en sciences humaines :

• Factorisation en axes principaux (FAP) : C’est la méthode de référence pour l’AFE. Elle estime les communalités de façon itérative et modélise uniquement la variance commune. À privilégier quand votre objectif est d’identifier des construits latents.
• Maximum de vraisemblance (ML) : Permet des tests d’ajustement et des indices de fit. Nécessite la multinormalité des données. Utile si vous envisagez ensuite une AFC (analyse factorielle confirmatoire).
• Composantes principales : Techniquement une ACP, pas une AFE. À éviter si vous souhaitez modéliser des facteurs latents.

6. Critères pour déterminer le nombre de facteurs

Déterminer le bon nombre de facteurs est l’étape la plus délicate. Utilisez plusieurs critères convergents :

Critère de Kaiser (valeur propre > 1)

Par défaut dans SPSS, ce critère retient les facteurs dont la valeur propre (eigenvalue) est supérieure à 1. Il est pratique mais tend à sur-extraire les facteurs, surtout avec de nombreuses variables. Ne l’utilisez pas seul.

Graphique des éboulis (Scree Plot)

Le graphique représente les valeurs propres en décroissance. Identifiez le « coude » (point d’inflexion) où la courbe s’aplatit. Les facteurs situés avant ce coude sont retenus. Ce critère visuel est subjectif mais précieux comme validation complémentaire.

Critère de la variance expliquée

La solution factorielle doit expliquer au minimum 50 à 60 % de la variance totale pour être considérée comme satisfaisante. Dans certains domaines (sciences de gestion, psychologie), 40 % peut être acceptable avec justification.

Analyse parallèle de Horn (recommandée)

L’analyse parallèle compare les valeurs propres obtenues à partir de vos données réelles avec celles générées par des matrices de données aléatoires de même taille. On ne retient que les facteurs dont la valeur propre réelle dépasse la valeur propre aléatoire correspondante. C’est la méthode la plus rigoureuse, recommandée par les méthodologues contemporains (Hayton, Allen et Scarpello, 2004). SPSS ne la propose pas nativement, mais des macros existent.

Critère théorique

La solution finale doit être interprétable théoriquement. Un facteur qui ne peut pas être nommé avec un concept clair est un signal d’alarme.

7. Rotation varimax vs oblimin : la clé de l’interprétation

La rotation factorielle transforme la solution initiale pour rendre les saturations plus lisibles, sans modifier l’ajustement global. Il existe deux grandes familles :

Rotation orthogonale (varimax)

La rotation varimax, la plus utilisée, maximise la variance des saturations au carré pour chaque facteur. Elle contraint les facteurs à rester non corrélés (orthogonaux). À utiliser quand :

• Votre théorie prédit des construits indépendants
• Vous souhaitez utiliser les scores factoriels comme variables dans des analyses ultérieures (régression, ANOVA)
• Vous souhaitez simplifier l’interprétation

Rotation oblique (oblimin, promax)

La rotation oblimin autorise les facteurs à se corréler entre eux. Elle est plus réaliste en sciences humaines, où les construits théoriques sont rarement indépendants. À utiliser quand :

• Votre théorie prédit des construits corrélés (ex. : dimensions de la personnalité, attitudes)
• Vous planifiez une AFC après l’AFE

Avec une rotation oblique, SPSS produit deux matrices : la matrice de structure (corrélations variables-facteurs) et la matrice de configuration (saturations uniques après contrôle des autres facteurs). C’est la matrice de configuration qui doit être interprétée pour identifier l’appartenance des variables aux facteurs.

8. Lire et interpréter la matrice des saturations

La matrice des saturations (pattern matrix pour rotation oblique, component matrix pour varimax) est le cœur des résultats de l’AFE. Voici comment l’interpréter :

Seuils de saturation

• > 0,70 : Saturation excellente
• 0,50 – 0,69 : Saturation satisfaisante
• 0,40 – 0,49 : Saturation acceptable (avec justification)
• < 0,40 : Saturation faible — envisager la suppression de la variable

Variables problématiques

• Saturation complexe : Une variable sature fortement (> 0,40) sur plusieurs facteurs. Elle obscurcit l’interprétation ; envisagez sa suppression si l’écart entre les deux saturations est < 0,20.
• Variable isolée : Une variable qui ne sature fortement que sur un facteur avec une seule autre variable, ou qui forme un facteur à elle seule.

Nommer les facteurs

Chaque facteur doit recevoir un nom théorique qui résume les variables qui lui sont associées. Ce nom doit être justifié par la littérature. Par exemple, si les items « confiance en soi », « estime de soi » et « sentiment d’efficacité personnelle » saturent sur le même facteur, ce facteur peut être nommé « Confiance en soi généralisée ».

9. Communalités : que nous disent-elles ?

La communalité (h²) d’une variable représente la proportion de sa variance expliquée par l’ensemble des facteurs retenus. Elle varie entre 0 et 1 :

• h² > 0,60 : La variable est bien représentée dans la solution factorielle
• h² entre 0,40 et 0,60 : Représentation modérée
• h² < 0,40 : La variable est mal représentée — elle contribue peu à la structure factorielle

Les variables avec une communalité faible sont des candidates à la suppression lors d’une démarche itérative d’AFE. Dans votre mémoire, présentez le tableau des communalités initiales et finales dans vos annexes, et commentez les variables présentant des communalités faibles (< 0,40) dans le texte principal.

10. Rédiger les résultats de l’AFE dans votre mémoire

La rédaction des résultats d’une AFE doit suivre un format précis attendu par les comités de lecture académiques :

Structure type du paragraphe de résultats

« Une analyse factorielle exploratoire a été conduite sur les 18 items du questionnaire (N = 245) à l’aide de la méthode de factorisation en axes principaux avec rotation oblimin. L’indice KMO (0,84) indique une adéquation méritoire de l’échantillon (Kaiser, 1974) ; le test de sphéricité de Bartlett est significatif (χ² = 1678,4 ; ddl = 153 ; p < 0,001). L’analyse parallèle de Horn a conduit à retenir trois facteurs, expliquant conjointement 62,4 % de la variance commune. L’examen de la matrice de configuration (rotation oblimin, δ = 0) révèle des saturations comprises entre 0,48 et 0,87 pour toutes les variables sur leur facteur principal. Les facteurs ont été nommés [F1 = Autonomie], [F2 = Engagement affectif] et [F3 = Charge cognitive], conformément aux construits théoriques identifiés dans la revue de littérature. »

Ce qu’il faut inclure en annexes

• Tableau complet des communalités (initiales et finales)
• Tableau de la variance totale expliquée (valeurs propres par facteur)
• Graphique des éboulis (scree plot)
• Matrice des saturations après rotation (avec les seuils < 0,30 supprimés pour la lisibilité)
• Matrice de corrélations entre facteurs (si rotation oblique)

Pour constituer un échantillon adapté à votre étude, notre guide sur l’échantillonnage dans un mémoire de master (méthodes probabiliste, raisonnée, boule de neige) vous aide à dimensionner et justifier votre collecte. Si vous administrez un questionnaire en ligne, consultez également notre guide sur comment diffuser un questionnaire et améliorer le taux de réponse pour atteindre les N nécessaires à une AFE robuste.

Pour structurer l’ensemble de votre analyse de données et rédiger chaque section de manière cohérente, Tesify vous aide à organiser vos résultats statistiques avec un accompagnement méthodologique adapté au format académique français.

FAQ — Analyse Factorielle Exploratoire SPSS