Étiquette : psychométrie

Construire une échelle de Likert valide pour son mémoire 2026

Votre mémoire repose sur un questionnaire, et vous avez opté pour des items de type Likert — mais comment être sûr que votre échelle de Likert mémoire mesure vraiment ce qu’elle est censée mesurer ? La réponse passe par deux étapes que la plupart des étudiants négligent : la conception rigoureuse des items et le calcul de la validation alpha Cronbach. En 2026, les jurys de masters à Bordeaux, à Aix-Marseille ou à Sciences Po attendent ces indicateurs dans la section Méthode — savoir les présenter fait la différence entre un mémoire solide et un mémoire fragile.

Ce guide vous accompagne de zéro à l’interprétation finale : définition du construit, rédaction des items, format 5 ou 7 points, test pilote, calcul de l’alpha de Cronbach sous SPSS ou R, et analyse factorielle exploratoire. Chaque étape est illustrée par un exemple concret centré sur la mesure du stress académique chez les masterants.

Réponse rapide

Une échelle de Likert valide pour un mémoire comporte 5 à 20 items par dimension, une modalité de réponse en 5 ou 7 points, 20 à 30 % d’items inversés, et un alpha de Cronbach ≥ 0,70 calculé après un test pilote de 15 à 30 personnes. Ces critères suffisent à justifier la fidélité de votre instrument devant un jury de master.

Qu’est-ce qu’une échelle de Likert ?

Développée par le psychologue américain Rensis Likert en 1932, l’échelle de Likert est un outil psychométrique permettant de mesurer des attitudes, des perceptions ou des comportements latents. Elle demande au répondant d’indiquer son degré d’accord ou de désaccord vis-à-vis d’une série d’affirmations appelées items, sur une graduation numérique ou verbale.

Contrairement à une question ouverte, l’échelle de Likert produit des données ordinales (et parfois traitées comme des données de niveau intervalle selon la tradition méthodologique de votre discipline). Ce caractère quantifiable la rend compatible avec des analyses statistiques comme l’alpha de Cronbach, la corrélation inter-items et l’analyse factorielle — trois piliers de la validation d’instrument dans un mémoire de master.

Différences entre format 5 et 7 points pour une échelle de Likert
Critère	5 points	7 points
Usage dominant	Sciences de gestion, éducation, santé	Psychologie expérimentale, marketing
Granularité	Modérée	Fine
Fatigue du répondant	Faible	Légèrement plus élevée
Taille d’échantillon recommandée	≥ 50	≥ 80
Point médian neutre	Oui (point 3)	Oui (point 4)

Étape 1 — Définir le construit à mesurer

Avant de rédiger un seul item, vous devez définir précisément le construit — c’est-à-dire la variable psychologique ou sociale que vous souhaitez mesurer. Un construit mal défini entraîne des items hétérogènes, un alpha de Cronbach bas, et des critiques du jury sur la validité de contenu de votre instrument.

Comment procéder :

Formulez une définition en une ou deux phrases tirée de la littérature académique (cherchez sur Cairn.info ou dans les manuels de référence de votre discipline).
Identifiez les dimensions du construit. Par exemple, le stress académique peut se décomposer en trois dimensions : charge de travail perçue, sentiment de compétence et soutien social.
Décidez si votre échelle est unidimensionnelle (toutes les questions mesurent un seul facteur) ou multidimensionnelle (plusieurs sous-échelles).

Exemple fil rouge — Dans un mémoire sur le stress des étudiants en M2, le construit retenu est le stress lié à la rédaction du mémoire. Deux dimensions sont identifiées à partir de la littérature : stress cognitif (sentiment de dépassement intellectuel) et stress temporel (pression des délais). Chaque dimension fera l’objet d’une sous-échelle de 6 items.

Étape 2 — Rédiger les items

Chaque item est une affirmation brève à laquelle le répondant réagit. La rédaction obéit à des règles strictes pour éviter les biais de mesure :

Unicité : un item ne mesure qu’une seule idée à la fois. Évitez les doubles négations et les conjonctions (« Je suis stressé et démotivé » — c’est deux items).
Clarté : utilisez un vocabulaire accessible à vos répondants. Si votre population est composée d’étudiants non spécialistes, évitez le jargon disciplinaire.
Items inversés : incluez 20 à 30 % d’items formulés négativement pour détecter les répondants qui cochent mécaniquement la même case. Un item inversé doit ensuite être recodé avant l’analyse (si l’échelle va de 1 à 5, le score 1 devient 5, le score 2 devient 4, etc.).
Nombre d’items : visez 5 à 10 items par dimension pour un mémoire de master. En deçà de 5, l’alpha de Cronbach est peu fiable ; au-delà de 10, le questionnaire devient long et le taux de réponse chute.

Exemple d’items pour la dimension « stress temporel » (6 items dont 2 inversés) :

J’ai l’impression de ne jamais avoir assez de temps pour rédiger mon mémoire. (direct)
Les délais imposés par mon université me semblent impossibles à tenir. (direct)
Je parviens à organiser mon emploi du temps de façon satisfaisante. (inversé)
Je ressens une pression constante liée aux échéances de mon mémoire. (direct)
Je sais exactement combien de temps me prendra chaque chapitre. (inversé)
L’approche des dates de rendu m’empêche de dormir. (direct)

Pour affiner vos items avant le test pilote, soumettez-les à deux ou trois experts du domaine (enseignants, doctorants, membres de votre labo) qui évalueront leur pertinence — c’est la validité de contenu. Vous pouvez également utiliser la technique du jury de juges : demandez à plusieurs évaluateurs de classer indépendamment chaque item dans la dimension qui lui correspond, et ne conservez que ceux sur lesquels l’accord est unanime ou quasi-unanime.

Étape 3 — Choisir le format de réponse (5 ou 7 points)

Le choix entre 5 et 7 points de réponse influence la variabilité de vos données et, par suite, la valeur de votre alpha de Cronbach. En sciences humaines et sociales françaises, le format à 5 points est le standard le plus répandu :

1 — Pas du tout d’accord
2 — Plutôt en désaccord
3 — Ni d’accord ni en désaccord
4 — Plutôt d’accord
5 — Tout à fait d’accord

Le format à 7 points est préférable lorsque vous devez différencier des groupes proches ou lorsque la littérature de référence de votre discipline l’impose (par exemple en psychologie clinique ou en psychologie du travail). Quelle que soit votre décision, appliquez le même format à tous les items d’une même sous-échelle : mélanger 5 et 7 points dans un même questionnaire rend les scores non comparables.

La question du point médian neutre (ni d’accord ni en désaccord) est souvent posée. Sur des échelles impaires (5 ou 7 points), il est recommandé de le conserver : le supprimer contraint les répondants sans opinion à choisir une position artificielle, ce qui introduit du bruit dans vos données.

Étape 4 — Mener le test pilote

Avant le déploiement complet de votre questionnaire, un test pilote (aussi appelé pré-test) sur 15 à 30 personnes représentatives de votre population cible est indispensable. Il vise trois objectifs :

Identifier les items mal compris — Après la passation, interrogez quelques répondants sur les formulations qui les ont fait hésiter ou qui les ont surpris.
Mesurer le temps de passation — Un questionnaire de plus de 15 minutes génère un fort taux d’abandon ou de réponses au hasard.
Calculer un premier alpha de Cronbach indicatif — Si l’alpha est déjà ≥ 0,70 sur 15 à 30 répondants, c’est un signal encourageant. S’il est < 0,60, il faut reformuler ou supprimer des items avant le déploiement complet.

Si vous avez des difficultés à recruter des répondants pour le test pilote, consultez le guide sur la durée d’analyse des données dans un mémoire pour mieux planifier cette phase dans votre calendrier.

Étape 5 — Calculer et interpréter l’alpha de Cronbach

L’alpha de Cronbach est le coefficient de cohérence interne le plus utilisé pour valider une échelle de Likert. Il mesure dans quelle mesure les items d’une même sous-échelle convergent vers le même construit. Sa valeur varie de 0 à 1 : plus elle est proche de 1, plus les items sont homogènes.

Tutoriel vidéo : calcul pas à pas de l’alpha de Cronbach sous SPSS, avec la corrélation inter-items.

Selon les ressources pédagogiques de l’ULB (Centre d’appui à l’enseignement) et les recommandations de Kline (2016) reprises dans de nombreux cursus de master en France, les seuils d’interprétation usuels sont les suivants :

Interprétation de l’alpha de Cronbach
Valeur de l’alpha	Interprétation	Décision recommandée
< 0,50	Insuffisant	Revoir entièrement l’instrument
0,50 – 0,69	Limite	Reformuler ou supprimer les items faibles
0,70 – 0,79	Acceptable	Acceptable pour un mémoire exploratoire
0,80 – 0,89	Bon	Standard pour une recherche publiable
0,90 – 0,94	Excellent	Idéal
≥ 0,95	Redondance probable	Supprimer les items trop corrélés entre eux

Comment calculer l’alpha sous SPSS

Dans SPSS : menu Analyser → Échelle → Analyse de fiabilité.
Déplacez les items de votre sous-échelle dans la zone Éléments.
Assurez-vous d’avoir préalablement recodé les items inversés (Transformer → Recoder en différentes variables).
Dans Statistiques, cochez « Supprimer l’élément » pour afficher la colonne Alpha if item deleted.
Cliquez sur OK. L’alpha global s’affiche dans le tableau Statistiques de fiabilité.

Comment calculer l’alpha sous R

Avec le package psych :

install.packages("psych")
library(psych)
# Sélectionner les colonnes correspondant aux items
donnees_echelle <- df[, c("item1","item2","item3","item4","item5","item6")]
alpha(donnees_echelle)

La sortie affiche l’alpha global, la corrélation moyenne inter-items (average r) et la valeur de l’alpha si chaque item était retiré (alpha if item dropped). Un average r entre 0,20 et 0,40 est signe d’une bonne homogénéité sans redondance.

Résultat sur l’exemple fil rouge — Imaginons un mémoire appliquant les 6 items de la dimension « stress temporel » à un test pilote de 25 masterants. Les données simulées donnent une corrélation moyenne inter-items (average r) d’environ 0,42 une fois les deux items inversés correctement recodés. La formule de l’alpha standardisé, α = k·r̄ / [1 + (k − 1)·r̄], avec k = 6 items et r̄ = 0,42, donne α = (6 × 0,42) / [1 + 5 × 0,42] = 2,52 / 3,10 ≈ 0,81. La dimension « stress cognitif » (6 items, r̄ ≈ 0,38) donne de la même façon α ≈ 0,79. Les deux sous-échelles franchissent donc le seuil de 0,70. Point clé : l’item inversé « Je sais exactement combien de temps me prendra chaque chapitre » affichait une corrélation item-total de seulement 0,18 avant recodage (proche de zéro, car il varie en sens opposé du reste de l’échelle) ; après recodage, elle remonte à 0,44, ce qui illustre concrètement pourquoi oublier le recodage fait chuter l’alpha à tort.

Une fois votre alpha calculé et satisfaisant, vous êtes prêt à présenter vos résultats de manière claire avec tableaux et figures dans le corps de votre mémoire.

Étape 6 — Analyse factorielle exploratoire

L’alpha de Cronbach confirme la fidélité de votre instrument, mais ne dit rien de sa structure dimensionnelle. Pour valider que vos items se regroupent bien en deux dimensions distinctes (stress cognitif et stress temporel dans notre exemple), vous devez réaliser une analyse factorielle exploratoire (AFE).

Selon le guide méthodologique disponible sur Méthodo Recherche, le processus de validation d’un instrument en deux étapes (AFE puis analyse factorielle confirmatoire) est la démarche standard pour une publication académique. Pour un mémoire de master, l’AFE seule est généralement suffisante.

Conditions préalables à l’AFE

Taille d’échantillon : 5 à 10 répondants par item, avec un minimum absolu de 50 répondants.
Test de Kaiser-Meyer-Olkin (KMO) : une valeur ≥ 0,60 indique que les données sont factorisables (≥ 0,80 est considéré comme bon).
Test de sphéricité de Bartlett : doit être significatif (p < 0,05) pour confirmer que les corrélations inter-items ne sont pas toutes nulles.

Interpréter les saturations factorielles

Après extraction par composantes principales et rotation Varimax (pour des facteurs non corrélés) ou Oblimin (pour des facteurs corrélés), chaque item doit saturer fortement sur un seul facteur (saturation ≥ 0,40) et faiblement sur les autres (cross-loading < 0,30). Les items à saturations ambiguës sont à reformuler ou à supprimer.

La méthodologie complète de justification de vos choix instrumentaux est détaillée dans l’article sur la façon de justifier le choix de sa méthodologie dans un mémoire.

Erreurs fréquentes à éviter

Oublier de recoder les items inversés — C’est l’erreur la plus fréquente. Un item inversé non recodé fait chuter artificiellement l’alpha et peut déclencher son retrait à tort.
Confondre l’échelle de Likert et le format de réponse Likert — L’échelle de Likert est un ensemble d’items additifs. Un questionnaire avec un seul item noté de 1 à 5 n’est pas une échelle de Likert.
Calculer un seul alpha global sur une échelle multidimensionnelle — Si votre échelle comporte deux dimensions, calculez un alpha par dimension. Un alpha global sur des items hétérogènes n’a pas de sens psychométrique.
Ignorer la validité de contenu — Un bon alpha ne garantit pas que l’échelle mesure le bon construit. La validité de contenu (jugement d’experts) reste indispensable.
Mélanger items positifs et négatifs sans recodage préalable — Vérifiez votre base de données avant toute analyse. Une simple inversion de colonne dans Excel ou R peut invalider toute votre analyse.

Pour comprendre comment positionner votre instrument dans la section résultats de votre mémoire, consultez aussi l’article sur comment rédiger la discussion d’un mémoire master 2026.

FAQ

Combien d’items faut-il dans une échelle de Likert pour un mémoire ?

Une échelle de Likert pour un mémoire de master comporte généralement entre 5 et 20 items par dimension mesurée. En dessous de 5 items, le calcul de l’alpha de Cronbach manque de précision. Au-dessus de 20 items par facteur, le questionnaire devient trop long et risque de fatiguer les répondants, ce qui dégrade la qualité des données collectées.

Faut-il choisir une échelle de Likert à 5 ou 7 points ?

En sciences humaines et sociales, l’échelle à 5 points est le standard le plus utilisé. Elle offre un bon équilibre entre finesse de la mesure et facilité de passation. L’échelle à 7 points est recommandée en psychologie expérimentale ou lorsque vous devez distinguer des groupes proches en termes d’attitudes. Vérifiez toujours quel format est dominant dans les articles de référence de votre discipline.

Quelle valeur d’alpha de Cronbach est acceptable pour un mémoire ?

Un alpha de Cronbach ≥ 0,70 est généralement considéré comme acceptable dans la littérature académique (Kline, 2016). Un alpha ≥ 0,80 est jugé bon et ≥ 0,90 excellent. Au-delà de 0,95, on soupçonne une redondance entre items — certains mesurent alors la même chose sous des formulations légèrement différentes, ce qui apporte peu d’information supplémentaire.

Comment interpréter un alpha de Cronbach faible dans mon mémoire ?

Un alpha < 0,70 indique une cohérence interne insuffisante. Consultez la colonne « alpha if item deleted » dans SPSS ou R pour identifier les items problématiques. Vérifiez d’abord que tous les items inversés ont été recodés (c’est la cause n°1 d’un alpha faible). Reformulez ou supprimez les items qui font baisser le score. Si l’alpha reste bas malgré ces corrections, envisagez de scinder l’échelle en deux sous-dimensions distinctes.

Qu’est-ce qu’un item inversé et pourquoi l’inclure dans l’échelle de Likert ?

Un item inversé est formulé de façon à ce que la réponse soutenant le construit soit à l’opposé de celle des items directs. Par exemple, si les items directs mesurent le stress (accord = stress élevé), un item inversé serait « Je me sens serein lors de la rédaction de mon mémoire » (désaccord = stress élevé). Inclure 20 à 30 % d’items inversés réduit le biais d’acquiescement — la tendance à cocher mécaniquement la même valeur tout au long du questionnaire.

Combien de personnes faut-il pour le test pilote d’une échelle de Likert ?

Un test pilote de 15 à 30 personnes représentatives de votre population cible est suffisant pour détecter les problèmes de compréhension, estimer le temps de passation et calculer un premier alpha de Cronbach indicatif. Ces 15 à 30 personnes peuvent ensuite être incluses dans l’échantillon final si aucune modification d’item n’a été apportée après le pilote.

Construire votre questionnaire avec Tesify

Tesify propose un assistant de rédaction académique qui vous guide dans la formulation des items, le recodage des inversés et la rédaction de la section Méthode de votre mémoire — y compris la présentation des résultats psychométriques (alpha de Cronbach, KMO, saturations factorielles). Essayez Tesify gratuitement et rédigez votre instrument en conformité avec les attentes de vos directeurs de mémoire.

juin 2, 2026

Analyse en composantes principales (ACP) avec SPSS pour votre mémoire : guide complet 2026

L’analyse en composantes principales (ACP) est l’une des techniques statistiques multivariées les plus utilisées dans les mémoires de master en sciences humaines, sociales et de gestion. Elle permet de réduire un grand nombre de variables corrélées en un nombre restreint de composantes (ou facteurs) qui en capturent l’essentiel de l’information. Pourtant, beaucoup d’étudiants appliquent l’ACP mécaniquement, sans comprendre ce qu’ils font ni comment interpréter les sorties de SPSS — ce qui conduit à des erreurs d’interprétation sévèrement sanctionnées par les jurys. Ce guide vous donne les clés pour conduire, interpréter et rédiger une ACP irréprochable dans votre mémoire universitaire en 2026.

L’ACP est particulièrement utile quand vous avez construit ou utilisé un questionnaire à de nombreux items et que vous souhaitez vérifier que ces items mesurent bien les dimensions théoriques que vous pensez mesurer. Elle constitue également la première étape d’une validation d’instrument de mesure, avant de calculer la fidélité (alpha de Cronbach) de chaque sous-échelle identifiée. Nous verrons comment articuler ces deux analyses dans votre mémoire.

En bref : L’ACP transforme un ensemble de variables corrélées en un ensemble plus petit de variables non corrélées appelées composantes principales. Sous SPSS, la procédure se lance via Analyze → Dimension Reduction → Factor. Les critères de jugement clés sont : l’indice KMO (≥.70), le test de Bartlett (p<.05), la règle de Kaiser (valeurs propres >1) et le scree plot. Les résultats se rapportent selon les normes APA 7 avec la variance expliquée par chaque composante et les saturations (loadings) de chaque item.

Qu’est-ce que l’ACP et à quoi sert-elle ?

L’ACP est une technique d’analyse exploratoire multivariée proposée par Karl Pearson en 1901 et formalisée par Harold Hotelling en 1933. Son objectif est de réduire la dimensionnalité d’un jeu de données : si vous avez mesuré 20 variables corrélées entre elles, l’ACP peut vous permettre de les résumer en 3 ou 4 composantes qui capturent la majeure partie de l’information originale, avec une perte minimale.

Dans un mémoire universitaire, on l’utilise principalement pour deux finalités :

La validation de la structure factorielle d’un questionnaire : Vous avez adapté ou créé une échelle psychométrique. L’ACP (exploratoire) vous permet de vérifier empiriquement que vos items se regroupent bien en dimensions théoriquement cohérentes.
La réduction de données avant une analyse prédictive : Vous avez trop de variables pour une régression multiple (multicolinéarité) ; vous remplacez les variables originales par leurs scores factoriels.

Il est crucial de distinguer l’ACP exploratoire (EFA) — que couvre ce guide — de l’analyse factorielle confirmatoire (CFA), qui teste a priori un modèle de structure prédéfini et requiert des logiciels spécialisés comme R (package lavaan) ou Mplus. La CFA est l’étape suivante dans la validation d’instrument ; l’ACP exploratoire est l’étape de découverte.

Note terminologique : SPSS appelle sa procédure « Factor Analysis » même quand vous demandez une ACP. La différence technique entre analyse en composantes principales et analyse factorielle commune est importante (l’ACP utilise des communautés = 1, l’AF commune estime les communautés) — mais dans SPSS, sélectionner « Principal Components » dans la liste des méthodes d’extraction vous donne bien une ACP. Vérifiez ce paramètre dans vos captures d’écran.

Conditions d’application de l’ACP

Avant de lancer l’ACP, vérifiez que vos données respectent les conditions suivantes :

1. Variables continues ou quasi-continues

L’ACP s’applique idéalement à des variables mesurées sur des échelles continues. Pour des échelles de Likert à 5 ou 7 points, l’ACP est généralement acceptable si les distributions ne sont pas trop asymétriques. Pour des variables dichotomiques (0/1), préférez l’analyse en correspondances multiples (ACM).

2. Taille d’échantillon suffisante

La règle classique est d’avoir au moins 5 à 10 participants par item, avec un minimum absolu de 100 participants. Si vous avez 20 items, visez au moins 100-200 participants. Des échantillons plus petits donnent des solutions factorielles instables qui ne se répliquent pas. Un tableau de référence :

Nombre d’items	Taille minimale (N)	Taille recommandée (N)
5-10	50	100
10-20	100	200
20-40	200	400
>40	300	500+

3. Intercorrélations suffisantes entre les variables

L’ACP suppose que les variables sont corrélées entre elles (sinon, il n’y a rien à factoriser). Inspectez la matrice de corrélations : la majorité des corrélations doit dépasser |.30|. Si toutes les corrélations sont inférieures à |.20|, l’ACP n’est pas appropriée.

4. Absence de valeurs manquantes excessives

SPSS exclut par défaut les cas listwise (un cas avec une seule valeur manquante est exclu de l’ACP). Si vous avez plus de 5% de valeurs manquantes, traitez-les avant l’ACP (imputation multiple, expectation-maximization).

Réaliser l’ACP sous SPSS : étape par étape

ACP avec SPSS : guide complet étape par étape — Comprendre l’informatique

Voici la procédure exacte sous SPSS 29 (les versions antérieures sont identiques) :

Cliquez sur Analyze → Dimension Reduction → Factor…
Déplacez vos variables dans la case « Variables ».
Cliquez sur Descriptives : cochez « Coefficients » (matrice de corrélations), « KMO and Bartlett’s test of sphericity », « Anti-image ». Validez.
Cliquez sur Extraction : dans « Method », sélectionnez « Principal Components ». Sous « Extract », choisissez « Based on Eigenvalue » avec le seuil à 1 (règle de Kaiser, à ajuster selon le scree plot). Cochez « Scree plot ». Validez.
Cliquez sur Rotation : sélectionnez « Varimax » (si vous supposez que les facteurs sont indépendants) ou « Direct Oblimin » (si vous supposez qu’ils peuvent être corrélés). Cochez « Loading plot(s) » et « Rotated solution ». Validez.
Cliquez sur Options : cochez « Exclude cases listwise » et « Suppress small coefficients » avec un seuil à .30 (pour clarifier la lecture de la matrice). Validez.
Cliquez sur OK pour lancer l’analyse.

Interpréter le KMO et le test de Bartlett

La première sortie à regarder est le tableau « KMO and Bartlett’s Test ».

L’indice KMO (Kaiser-Meyer-Olkin)

Le KMO mesure l’adéquation de l’échantillon pour l’ACP. Il compare les corrélations observées aux corrélations partielles. Un KMO proche de 1 indique que les corrélations sont bien expliquées par des facteurs communs. Le barème d’interprétation de Kaiser (1974) :

Valeur du KMO	Interprétation	Décision
>.90	Excellent (marvelous)	Procéder
.80-.89	Très bien (meritorious)	Procéder
.70-.79	Bien (middling)	Procéder
.60-.69	Médiocre (mediocre)	Procéder avec prudence
.50-.59	Mauvais (miserable)	Retirer des items problématiques
<.50	Inacceptable	Ne pas procéder à l’ACP

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 indépendantes et qu’il n’y a rien à factoriser). Vous cherchez un résultat significatif (p < .05). Dans la quasi-totalité des études sur des questionnaires psychologiques, ce test est significatif. S’il ne l’est pas, vos variables ne sont pas assez corrélées pour justifier une ACP.

Dans votre mémoire, rapportez-le ainsi : « Le test de sphéricité de Bartlett est significatif (χ²(190) = 1847.3, p < .001), et l’indice KMO = .86 (très bien), confirmant que les données sont factorisables. »

Choisir le nombre de composantes à retenir

C’est la décision la plus importante et la plus délicate de l’ACP. SPSS vous fournit plusieurs outils :

La règle de Kaiser (valeurs propres > 1)

Retenez les composantes dont la valeur propre (eigenvalue) est supérieure à 1. Cette règle, simple et largement utilisée, tend cependant à surestimer le nombre de facteurs. Ne l’utilisez pas seule.

Le scree plot (graphique des éboulis)

SPSS génère un graphique représentant les valeurs propres de chaque composante en ordre décroissant. Cherchez le « coude » — le point où la courbe s’infléchit et commence à s’aplatir. Retenez les composantes situées à gauche de ce coude. C’est souvent le critère le plus fiable en pratique.

La variance expliquée totale

Inspectez le tableau « Total Variance Explained ». La somme des variances expliquées par les composantes retenues doit idéalement dépasser 60% de la variance totale pour les sciences sociales (50% est le minimum acceptable). En psychologie et en sciences de gestion, 65-75% est une cible raisonnable.

Analyse parallèle (parallel analysis)

La méthode la plus rigoureuse : elle compare vos valeurs propres observées à celles attendues sous un modèle aléatoire. Vous ne retenez que les composantes dont la valeur propre observée dépasse celle du modèle aléatoire au même rang. SPSS ne la fait pas nativement, mais vous pouvez utiliser JASP (gratuit) ou un script R pour la calculer. Les jurys avancés apprécient cet effort supplémentaire.

Règle d’or : Combinez toujours au moins deux critères (par exemple : règle de Kaiser + scree plot, ou scree plot + variance expliquée). Si les critères divergent, justifiez votre choix sur la base de la cohérence théorique des solutions. La décision doit être défendable intellectuellement, pas seulement statistiquement.

La rotation : varimax, oblimin et promax

La rotation transforme la solution factorielle initiale pour la rendre plus interprétable, sans changer la quantité de variance expliquée au total. Elle redistribue simplement cette variance entre les composantes.

Rotation orthogonale : Varimax

La rotation varimax suppose que les facteurs sont indépendants (non corrélés). Elle maximise la variance de chaque colonne de la matrice des composantes, produisant une structure où chaque item sature fortement sur une composante et faiblement sur les autres. C’est la rotation la plus utilisée et la plus facile à interpréter.

Choisissez varimax quand : vous supposez théoriquement que vos dimensions sont indépendantes (par exemple, différentes compétences non liées entre elles).

Rotation oblique : Direct Oblimin / Promax

Ces rotations permettent aux facteurs d’être corrélés entre eux. Elles sont plus réalistes en sciences humaines, où les dimensions psychologiques ou sociales sont rarement totalement indépendantes. Si la corrélation interfactorielle est inférieure à |.30|, la différence avec varimax est négligeable.

Choisissez oblimin/promax quand : vous supposez que vos dimensions sont reliées (par exemple, différentes formes d’anxiété). Vérifiez a posteriori la matrice de corrélations entre facteurs : si elles dépassent |.30|, la rotation oblique était justifiée.

Interpréter la matrice des composantes

Après rotation, SPSS produit la « Rotated Component Matrix » (varimax) ou la « Pattern Matrix » (oblimin). Cette matrice contient les saturations (loadings) de chaque item sur chaque composante.

Seuil de signification des saturations

La convention courante est de considérer une saturation comme significative si elle dépasse |.40| (ou |.30| pour les grands échantillons). Avec la suppression des petits coefficients que vous avez configurée dans SPSS (seuil .30), seules les saturations significatives apparaissent dans la matrice.

Items problématiques

Deux situations requièrent une attention particulière :

Saturation croisée (cross-loading) : L’item sature significativement sur deux composantes ou plus. Il introduit de l’ambiguïté. Envisagez de le supprimer ou de l’affecter à la composante sur laquelle il sature le plus fortement, en le justifiant théoriquement.
Item isolé (faible communauté) : L’item ne sature sur aucune composante (toutes les saturations < |.30|). Sa communauté (h²) est faible, ce qui signifie qu’il n’est pas bien expliqué par le modèle factoriel. Envisagez de le supprimer.

Nommer les composantes

Une fois que vous avez identifié quels items saturent sur chaque composante, donnez un nom théorique à chaque composante qui reflète le contenu des items qui la constituent. C’est l’étape intellectuellement la plus importante — et la plus subjective — de l’ACP. Justifiez chaque nom en citant votre cadre théorique. Exemple : « La première composante rassemble les items relatifs à l’évitement des situations sociales (items 3, 7, 12, 15) et à la peur du jugement (items 2, 9, 14). Conformément à la théorie de Clark & Wells (1995), nous nommons cette composante ‘Anxiété sociale anticipatoire’. »

Rédiger les résultats de l’ACP dans votre mémoire

Voici un modèle de paragraphe conforme aux normes APA 7 pour rapporter une ACP :

« Une analyse en composantes principales avec rotation varimax a été réalisée sur les 24 items de l’échelle d’auto-efficacité académique (N = 215). Les conditions préalables à l’ACP étaient réunies : le test de sphéricité de Bartlett est significatif (χ²(276) = 2143.7, p < .001) et l’indice KMO = .87, indiquant une adéquation très satisfaisante. Le scree plot et la règle de Kaiser ont conduit à retenir trois composantes, expliquant cumulativement 61.4% de la variance totale (composante 1 : 29.7% ; composante 2 : 18.3% ; composante 3 : 13.4%). Deux items (items 11 et 18) ont été supprimés en raison de saturations croisées (>.40 sur deux composantes). La première composante (8 items) renvoie à l’auto-efficacité en contexte de présentation orale (α = .87) ; la deuxième (7 items) à l’auto-efficacité rédactionnelle (α = .83) ; la troisième (7 items) à l’auto-efficacité organisationnelle (α = .79). Les résultats détaillés sont présentés au Tableau 3. »

Accompagnez ce paragraphe d’un tableau récapitulatif présentant, pour chaque item, ses saturations sur chaque composante et sa communauté (h²). C’est une exigence standard dans les mémoires de psychologie et de gestion.

Pour comprendre comment articuler l’ACP avec votre cadre théorique, notre article sur la méthodologie de recherche vous donnera les bases nécessaires. Si vous utilisez R ou SPSS et souhaitez aller vers une validation plus poussée, consultez notre article sur la analyse de données pour mémoire.

Erreurs fréquentes à éviter

Utiliser l’ACP sans vérifier les conditions préalables : Ne passez jamais directement à la procédure Factor sans vérifier le KMO, le test de Bartlett et la matrice de corrélations. Un jury compétent vous demandera ces vérifications.
Appliquer la règle de Kaiser aveuglément : La règle des valeurs propres > 1 peut conduire à retenir trop de composantes, surtout avec de nombreuses variables. Toujours corroborer avec le scree plot.
Ignorer les communautés : SPSS produit un tableau des communautés (Initial et Extraction). Une communauté d’extraction très faible (<.30) pour un item indique qu’il n’est pas bien capturé par la solution factorielle retenue.
Ne pas justifier les noms des composantes : Nommer une composante « Facteur 1 » sans explication théorique est insuffisant. Le nom doit refléter le contenu des items et être ancré dans votre revue de littérature.
Confondre ACP et régression : L’ACP est descriptive/exploratoire. Elle ne permet pas de conclure sur des relations causales entre les composantes et d’autres variables. Pour cela, une régression sur les scores factoriels (ou une modélisation par équations structurelles) est nécessaire.
Ne pas vérifier la fidélité après l’ACP : L’ACP identifie des dimensions ; le coefficient alpha de Cronbach (ou l’oméga de McDonald) vérifie que les items de chaque dimension mesurent bien le même construit de façon cohérente. Ces deux analyses sont complémentaires et toutes deux attendues dans un mémoire qui valide un instrument.

Besoin d’aide pour structurer votre analyse ou rédiger votre section méthodologie ? Tesify vous accompagne dans la structuration de votre mémoire et la rédaction de vos sections méthodologiques.

FAQ

Quelle est la différence entre ACP et analyse factorielle dans SPSS ?

Dans SPSS, la procédure s’appelle « Factor Analysis » mais vous pouvez choisir la méthode d’extraction « Principal Components » pour faire une ACP, ou « Maximum Likelihood » / « Principal Axis Factoring » pour une analyse factorielle commune. La différence technique : l’ACP utilise des communautés initiales de 1 (elle explique toute la variance, y compris l’erreur), tandis que l’AF commune n’explique que la variance commune entre items. Pour les mémoires de master en sciences humaines, les deux donnent généralement des résultats très similaires quand le nombre d’items est élevé et les communautés sont fortes.

Mon KMO est à .65 : puis-je quand même faire une ACP ?

Un KMO entre .60 et .69 est classé « médiocre » mais pas rédhibitoire. Procédez à l’ACP avec prudence et inspectez la matrice anti-image : les éléments diagonaux (mesures individuelles de KMO) doivent tous dépasser .50. Si certains items ont un MSA (measure of sampling adequacy) très bas, envisagez de les retirer un par un et de relancer l’analyse. Un KMO amélioré après suppression de quelques items problématiques justifie de conserver la solution.

Combien de variance expliquée est suffisant pour une ACP dans un mémoire ?

En sciences sociales et humaines, un seuil de 50-60% de variance totale expliquée est généralement considéré comme acceptable, même si 60-75% est préférable. Ce seuil est plus faible qu’en sciences dures car les construits psychologiques et sociaux sont intrinsèquement plus complexes et bruyants. L’essentiel est de justifier votre solution sur des bases théoriques solides, pas seulement statistiques.

Varimax ou oblimin : comment choisir la rotation ?

Si vos facteurs sont censés être théoriquement indépendants, utilisez varimax (rotation orthogonale). Si vous pensez qu’ils peuvent être corrélés (ce qui est souvent plus réaliste en psychologie et sociologie), utilisez Direct Oblimin ou Promax (rotations obliques). En pratique, lancez les deux et comparez. Si la corrélation interfactorielle dans la solution oblique est inférieure à |.30|, les deux solutions seront très similaires et varimax suffit. Si elle dépasse |.30|, la solution oblique est plus appropriée.

Dois-je calculer l’alpha de Cronbach après l’ACP ?

Oui, systématiquement. L’ACP identifie les dimensions ; l’alpha de Cronbach vérifie la fidélité interne de chaque dimension. Pour chaque groupe d’items formant une composante, calculez l’alpha sous SPSS (Analyze → Scale → Reliability Analysis). Un alpha ≥ .70 est acceptable, ≥ .80 est bon, ≥ .90 est excellent (mais peut indiquer une redondance excessive entre items). Si un item augmente l’alpha quand on le retire (« alpha if item deleted »), envisagez sa suppression.

Peut-on faire une ACP avec moins de 100 participants ?

Techniquement oui, mais la solution sera instable et peu généralisable. Si vous avez moins de 100 participants, des études de simulation montrent que les saturations peuvent varier considérablement d’un échantillon à l’autre. Si votre contrainte est la taille d’échantillon, réduisez le nombre d’items (moins de 10, ratio 10:1 participants/items) et reconnaissez cette limite dans votre mémoire. Alternativement, utilisez un test exact de McDonald (ω) plutôt que l’ACP si votre objectif est uniquement la validation de fidélité.

mai 21, 2026

Alpha de Cronbach avec SPSS : mesurer la fidélité d’un questionnaire dans un mémoire 2026

Vous avez construit ou adapté un questionnaire pour votre mémoire et vous devez maintenant prouver à votre jury que vos échelles mesurent bien ce qu’elles sont supposées mesurer, de manière cohérente. L’alpha de Cronbach avec SPSS est l’indice de cohérence interne le plus utilisé en recherche académique française pour valider la fidélité d’un instrument de mesure. Sa valeur — et surtout son interprétation — conditionne la crédibilité de toute votre démarche quantitative.

Introduit par Lee Cronbach en 1951, cet indicateur reste, 75 ans plus tard, l’un des résultats statistiques les plus demandés par les jurys de mémoire en psychologie, sciences de l’éducation, gestion et sciences de la santé. Ce guide vous explique son fonctionnement mathématique, les seuils d’acceptabilité, la procédure exacte dans SPSS et comment améliorer votre alpha si sa valeur est trop faible.

Réponse rapide
L’alpha de Cronbach mesure la cohérence interne d’une échelle multi-items. Dans SPSS : Analyze → Scale → Reliability Analysis. Valeurs de référence : α ≥ 0,70 acceptable pour une recherche exploratoire ; α ≥ 0,80 bon ; α ≥ 0,90 excellent (mais risque de redondance des items). Une corrélation item-total corrigée inférieure à 0,30 signale un item à revoir ou supprimer.

Qu’est-ce que l’alpha de Cronbach ?

L’alpha de Cronbach est un indicateur de cohérence interne — une facette de la fidélité. Il mesure dans quelle mesure l’ensemble des items d’une même échelle tendent à produire des réponses corrélées, c’est-à-dire dans quelle mesure ils mesurent bien le même construit sous-jacent.

Un alpha élevé signifie que les items « vont dans le même sens » : un participant qui score haut sur un item tend à scorer haut sur les autres. Un alpha faible indique que les items mesurent des construits hétérogènes ou que certains items sont mal formulés, inversés par erreur ou simplement mal compris.

Ce que l’alpha ne mesure pas

L’alpha de Cronbach mesure la cohérence interne, pas :

La stabilité temporelle (fidélité test-retest) : même questionnaire, mêmes participants, deux moments différents
La fidélité inter-juges : accord entre deux observateurs ou codeurs
La validité du construit : un questionnaire peut être cohérent mais mesurer le mauvais concept

Formule et logique mathématique

La formule de l’alpha de Cronbach est :

α = (k / (k − 1)) × (1 − Σσ²ᵢ / σ²ₓ)

Où :

k = nombre d’items dans l’échelle
Σσ²ᵢ = somme des variances de chaque item individuel
σ²ₓ = variance du score total de l’échelle

Le terme (1 − Σσ²ᵢ / σ²ₓ) représente la proportion de variance totale qui n’est pas due à la variabilité spécifique à chaque item — autrement dit, la part attribuable au facteur commun que les items partagent. Plus cette proportion est grande, plus l’alpha est élevé.

Relation entre alpha et nombre d’items

L’alpha augmente mécaniquement avec le nombre d’items — même si les nouveaux items ne sont pas plus corrélés que les existants. La formule de Spearman-Brown formalise ce lien. Cette propriété a une implication pratique : ne jugez pas directement deux échelles d’alpha identique si elles n’ont pas le même nombre d’items.

Seuils d’interprétation

Les seuils les plus cités dans la littérature académique française et internationale sont :

Valeur de α	Interprétation	Contexte recommandé
< 0,60	Inacceptable	Revoir l’échelle en profondeur
0,60 – 0,69	Limite / Questionnable	Acceptable en recherche exploratoire seulement
0,70 – 0,79	Acceptable	Standard minimal pour la plupart des mémoires
0,80 – 0,89	Bon	Recommandé pour toute publication
≥ 0,90	Excellent à excessif	Vérifier la redondance des items

Paradoxe de l’alpha très élevé : Un alpha > 0,95 peut indiquer que vos items sont trop redondants (mesurent exactement la même chose de plusieurs façons légèrement différentes). Cette redondance n’apporte pas d’information supplémentaire et peut gonfler artificiellement la cohérence interne. En psychométrie, un alpha entre 0,80 et 0,90 est souvent considéré comme optimal.

Procédure SPSS pas à pas

Vidéo : Alpha de Cronbach et corrélation dans SPSS — Dr.MéthoPsycho

Analyze → Scale → Reliability Analysis
Déplacez tous les items de votre échelle dans la boîte Items
Assurez-vous que le modèle sélectionné est Alpha (par défaut)
Cliquez sur Statistics :

Cochez Item : moyennes et écarts-types par item
Cochez Scale if item deleted : voir l’alpha si chaque item était supprimé (crucial pour améliorer l’échelle)
Cochez Inter-item correlations : matrice de corrélations entre items
Cochez Correlations dans la section Descriptives for Scale

5. Cliquez Continue puis OK.

Lire l’output SPSS

Reliability Statistics

Ce premier tableau indique la valeur alpha globale et le nombre d’items. C’est la valeur à rapporter dans votre mémoire.

Item Statistics

Moyennes et écarts-types de chaque item. Vérifiez que les moyennes ne sont pas toutes proches de l’extrémité de l’échelle (phénomène de plancher ou de plafond), ce qui comprime artificiellement la variance et peut réduire l’alpha.

Inter-Item Correlation Matrix

Inspectez cette matrice. Des corrélations moyennes entre items de 0,20 à 0,40 sont généralement souhaitées. Des corrélations négatives signalent qu’un item est inversé par erreur (oubli du recodage) — une erreur fréquente dans les mémoires.

Item-Total Statistics

Ce tableau est le plus précieux pour l’amélioration de l’échelle. Pour chaque item, il présente :

Corrected Item-Total Correlation : corrélation de l’item avec le score total de l’échelle (excluant l’item lui-même). Seuil recommandé : ≥ 0,30
Cronbach’s Alpha if Item Deleted : alpha si cet item était supprimé. Si cette valeur dépasse votre alpha global, l’item nuit à la cohérence de l’échelle

La corrélation item-total corrigée : clé de l’amélioration

La corrélation item-total corrigée est l’indicateur le plus direct de la contribution de chaque item à la cohérence de l’échelle. Les règles pratiques sont :

≥ 0,50 : l’item contribue fortement à l’échelle
0,30 – 0,49 : contribution acceptable, à conserver
0,20 – 0,29 : contribution faible, à revoir ou supprimer selon le contexte théorique
< 0,20 : l’item est peu lié aux autres — fort candidat à la suppression
Valeur négative : item probablement inversé non recodé — à corriger en premier

Comment améliorer un alpha insuffisant

Si votre alpha est inférieur à 0,70, voici les démarches à suivre par ordre de priorité :

Vérifier le recodage des items inversés : dans SPSS, Transform → Recode Into Different Variables. Un item non recodé produit des corrélations négatives et effondre l’alpha.
Supprimer les items avec corrélation item-total < 0,20 : commencez par l’item le plus faible, relancez l’analyse, vérifiez que l’alpha augmente bien.
Examiner les items à la lumière du contenu : un item peut être statistiquement faible parce qu’il mesure une facette distincte du construit. La décision de le supprimer doit être justifiée théoriquement, pas uniquement statistiquement.
Vérifier la compréhension des items : si possible, revenez à votre pré-test et interrogez des répondants sur la compréhension des formulations ambiguës.

Limites de l’alpha de Cronbach

Plusieurs méta-analyses récentes (dont Sijtsma, 2009, publié dans Psychometrika) ont mis en évidence des limites importantes que vous devez au moins mentionner dans votre mémoire si vous êtes en psychologie ou sciences de l’éducation :

Suppose la tauéquivalence : l’alpha est un estimateur exact de la fiabilité uniquement si tous les items ont la même charge factorielle (tau-equivalence), ce qui est rarement vérifié en pratique
Sous-estime la fiabilité réelle lorsque les charges varient entre items (le cas général)
Ne détecte pas la multidimensionnalité : une échelle mesurant deux construits distincts peut avoir un alpha élevé si les items de chaque dimension sont suffisamment corrélés entre eux

Alternatives modernes : oméga de McDonald

L’oméga (ω) de McDonald est aujourd’hui recommandé comme alternative plus précise à l’alpha. Contrairement à l’alpha, il ne suppose pas la tau-équivalence et fournit un meilleur estimateur de la fiabilité dans le cas général. Disponible dans R (package psych), JASP ou Jamovi. Si votre jury est au fait des évolutions récentes de la psychométrie, mentionner ω en complément de α démontre une maîtrise approfondie de la littérature.

Deux indices distincts existent : ω_t (oméga total) et ω_h (oméga hiérarchique). Pour la plupart des mémoires, ω_t est l’équivalent le plus direct de l’alpha.

Rédiger les résultats dans votre mémoire

La section fidélité de vos instruments de mesure se place généralement dans la sous-section Instruments ou Mesures du chapitre Méthodologie.

Modèle de rédaction pour une seule échelle

La cohérence interne de l’échelle de satisfaction au travail (5 items, échelle de Likert 1-7) a été évaluée par l’alpha de Cronbach. La valeur obtenue était de α = .82 (IC 95% [.76 ; .87]), indiquant une bonne cohérence interne (Nunnally et Bernstein, 1994). Tous les items présentaient des corrélations item-total corrigées supérieures à .42, confirmant la contribution positive de chaque item à l’échelle.

Modèle pour plusieurs sous-échelles

La fidélité de chaque sous-échelle a été vérifiée via l’alpha de Cronbach : engagement affectif (α = .85), engagement normatif (α = .78) et engagement continu (α = .71). Ces valeurs respectent le seuil minimal de .70 recommandé pour la recherche en sciences de gestion (Hair et al., 2019). L’item EC3 présentait une corrélation item-total de .24, en dessous du seuil de .30 ; une justification théorique a néanmoins conduit à le conserver dans l’instrument.

Pour approfondir votre maîtrise de l’instrumentation quantitative, consultez notre guide sur la validation d’instruments de mesure, l’ACP avec SPSS et la méthodologie de recherche.

Tesify pour votre section méthodologie : La rédaction de la section instruments de mesure — avec l’alpha de Cronbach, les corrélations item-total et les justifications de suppression d’items — est complexe. Tesify vous aide à structurer cette section selon les normes attendues par les jurys français.

Questions fréquentes

Mon alpha est de 0,67 : puis-je quand même utiliser mon échelle dans mon mémoire ?

Un alpha de 0,67 est en dessous du seuil standard de 0,70 mais peut être jugé acceptable dans un contexte exploratoire ou pour un concept émergent avec peu d’items dans la littérature. Discutez-le explicitement dans votre mémoire en reconnaissant la limite, en expliquant pourquoi vous maintenez l’échelle (raisons théoriques, absence d’items à supprimer sans dégrader le contenu) et en interprétant vos résultats avec prudence. Évitez simplement d’ignorer la valeur ou de ne pas la mentionner.

Combien d’items minimum faut-il pour calculer un alpha de Cronbach ?

Techniquement, l’alpha peut se calculer dès 2 items, mais une interprétation fiable nécessite au minimum 3 à 4 items. En dessous de 3 items, la valeur alpha est instable et peu interprétable. Idéalement, une échelle comporte entre 5 et 10 items par dimension mesurée, offrant un bon équilibre entre richesse du contenu et concision du questionnaire.

Dois-je calculer l’alpha sur l’ensemble du questionnaire ou par sous-échelle ?

Par sous-échelle, dans la quasi-totalité des cas. Calculer l’alpha sur l’ensemble d’un questionnaire multidimensionnel n’a pas de sens théorique : des items mesurant des construits différents (ex. satisfaction + engagement + stress) n’ont aucune raison d’être cohérents entre eux. Calculez et rapportez un alpha distinct pour chaque dimension théorique de votre instrument.

Comment interpréter une corrélation item-total négative ?

Une corrélation item-total négative est presque toujours le signe d’un item inversé (phrasing négatif) qui n’a pas été recodé. Vérifiez d’abord si l’item devait être recodé (5 → 1, 4 → 2, etc.) via Transform → Recode dans SPSS. Après recodage, relancez l’analyse de fiabilité. Si la corrélation reste négative malgré le recodage, l’item mesure effectivement quelque chose d’opposé aux autres — candidat prioritaire à l’élimination.

L’alpha de Cronbach s’applique-t-il aux données nominales ou dichotomiques ?

Pour des items dichotomiques (réponses 0/1, vrai/faux), l’équivalent de l’alpha de Cronbach est la formule KR-20 (Kuder-Richardson 20), qui produit la même valeur que l’alpha lorsque tous les items sont dichotomiques. SPSS calcule automatiquement KR-20 lorsque les items sont codés 0 et 1 et que vous sélectionnez le modèle Alpha dans Reliability Analysis. Pour des items nominaux avec plus de deux catégories non ordonnées, l’alpha n’est pas approprié.

mai 20, 2026