Analyse factorielle
L'analyse factorielle résume trois variables numériques corrélées ou plus par un nombre moindre de facteurs sous-jacents. Utilisez-la pour trouver les caractéristiques qui se cachent derrière des résultats d'essais, des mesures de procédé ou des questions de questionnaire. Le nombre de facteurs doit être inférieur au nombre de variables, avec plus de lignes que de variables ; le maximum de vraisemblance suppose une normalité multivariée approximative. Les résultats comprennent saturations factorielles, communalités, unicités, variance expliquée et graphique des saturations.
Dernière révision
Point clé
L'analyse factorielle explique les corrélations entre de nombreuses variables mesurées à l'aide de quelques facteurs sous-jacents : de nombreuses mesures ou questions d'enquête se résument ainsi en quelques facteurs plus faciles à nommer.
Sur cette page
Objectif
Factor Analysis (analyse factorielle) explique les corrélations entre de nombreuses variables mesurées à l'aide de quelques facteurs sous-jacents. Les variables qui évoluent ensemble saturent le même facteur : une longue liste de mesures ou de questions d'enquête peut donc se résumer en quelques facteurs plus faciles à nommer et à suivre. Utilisez-la pour trouver les quelques caractéristiques sous-jacentes à un ensemble de résultats d'essais, de mesures de procédé ou de questions de questionnaire, et pour voir quelles variables sont en grande partie indépendantes des autres.
Fonctionnalités principales
- Extrait le nombre de facteurs que vous choisissez à partir de trois variables numériques ou plus.
- Deux méthodes d'extraction : Principal Components et Maximum Likelihood.
- Rotation varimax pour que chaque facteur sature fortement un nombre réduit de variables, ce qui facilite son interprétation et sa dénomination.
- Tableau Factor Loadings avec la communalité et l'unicité de chaque variable.
- Pourcentage de variance expliquée par chaque facteur, et graphique des saturations des deux premiers facteurs.
Méthodes statistiques
Les lignes dont une variable sélectionnée est manquante ou non numérique sont supprimées, et chaque variable est standardisée à une moyenne de 0 et un écart-type de 1 ; l'analyse porte donc sur la matrice de corrélation. Le nombre de facteurs doit être inférieur au nombre de variables, et il doit y avoir plus de lignes que de variables.
Avec l'extraction Principal Components, la matrice de corrélation est décomposée en valeurs propres et vecteurs propres ; les saturations du facteur j sont le j-ième vecteur propre multiplié par la racine carrée de sa valeur propre, pour les plus grandes valeurs propres. Avec l'extraction Maximum Likelihood, le modèle à facteurs communs (chaque variable standardisée = saturations × facteurs + une erreur propre) est ajusté par maximum de vraisemblance avec un algorithme itératif, qui s'arrête après Maximum iterations (1000 par défaut) ou lorsque la variation passe sous la Convergence tolerance (0.01 par défaut). Le maximum de vraisemblance suppose que les variables suivent approximativement une loi normale multivariée.
La rotation varimax (méthode de Kaiser) fait tourner les facteurs de sorte que la variance des carrés des saturations au sein de chaque facteur soit la plus grande possible : chaque variable sature alors fortement un facteur et se rapproche de zéro sur les autres. La rotation ne change pas la part expliquée de chaque variable. Après rotation, les facteurs sont classés selon la variance qu'ils expliquent. La communalité d'une variable est la somme de ses saturations au carré, c'est-à-dire la part de sa variance expliquée par les facteurs ; l'unicité vaut 1 − communalité. La variance expliquée par un facteur est la somme de ses saturations au carré, indiquée en pourcentage du nombre de variables. Le signe d'un facteur est arbitraire : un facteur dont tous les signes sont inversés a le même sens.
Champs de saisie et options
Champ | Description |
Variables | Trois colonnes numériques ou plus. Ctrl ou Commande + clic pour en sélectionner plusieurs. |
Number of factors to extract | Par défaut 2. Doit être inférieur au nombre de variables. |
Method of extraction | Principal Components (par défaut) ou Maximum Likelihood. |
Type of rotation | Varimax (par défaut) ou None. La rotation ne s'applique qu'avec 2 facteurs ou plus. |
Maximum iterations | Facultatif, utilisé uniquement par l'extraction Maximum Likelihood. Laissez vide pour la valeur par défaut (1000). |
Convergence tolerance | Facultatif, utilisé uniquement par l'extraction Maximum Likelihood. Laissez vide pour la valeur par défaut (0.01). |
Title | Titre affiché sur le graphique des saturations. Par défaut Factor Analysis. |

Figure 1 — Options de l'exemple : huit variables de demandeurs de prêt, 2 facteurs, extraction Maximum Likelihood, rotation Varimax.
Description des résultats
- Factor Loading Plot — chaque variable est tracée sous forme de ligne allant de l'origine à ses saturations sur Factor1 (x) et Factor2 (y). Les variables qui pointent dans la même direction saturent le même facteur.
- Method, rotation and variance explained — la méthode et la rotation par leur nom (par exemple Maximum Likelihood, Varimax), le pourcentage de variance totale expliquée par chaque facteur et le pourcentage cumulé.
- Factor Loadings — pour chaque variable, sa saturation sur chaque facteur, sa Communality et son Uniqueness.
- Export PDF via Download.

Figure 2 — Deux facteurs après rotation pour huit variables de demandeurs de prêt : un facteur de stabilité (Employ, Residence, Age) et un facteur d'endettement (Debt, Credit cards, par opposition à Education), expliquant 61.39% de la variance.
Exemple résolu
Une banque recueille huit informations pour chaque demandeur de prêt : revenu, années d'études, âge, années à l'adresse actuelle (Residence), années chez l'employeur actuel (Employ), épargne, dette et nombre de cartes de crédit. Beaucoup d'entre elles semblent mesurer la même chose. Un gestionnaire de crédit veut quelques facteurs qui résument les huit. À partir de 30 demandeurs, l'ingénieur sélectionne les huit colonnes, définit Number of factors to extract = 2, Method of extraction = Maximum Likelihood et Type of rotation = Varimax.
Les deux facteurs expliquent 38.68% et 22.71% de la variance, soit 61.39% au total. Le facteur 1 sature fortement Employ (0.9644), Residence (0.9523) et Age (0.8595) et modérément Savings (0.5833) : c'est un facteur de stabilité et d'expérience. Le facteur 2 sature Debt (0.8063) et Credit cards (0.5679), par opposition à Education (−0.6288) et Savings (−0.5673) : c'est un facteur d'endettement. Les communalités montrent dans quelle mesure les deux facteurs décrivent chaque variable : élevées pour Employ (0.937) et Residence (0.9076), faibles pour Income (0.2308) et Credit cards (0.3226).
Pour la banque, deux facteurs décrivent bien la stabilité et l'endettement des demandeurs, mais le revenu reste en grande partie à part. Avec 3 facteurs, la variance expliquée passe à 72.93% (36.67%, 20.63% et 15.63%), et le troisième facteur est principalement Income (−0.8835) avec Education (−0.5491) ; la communalité d'Income passe à 0.8545. Cela concorde avec la classification des variables (Cluster Variables) sur les mêmes données, qui regroupe Income avec Education, les variables de stabilité ensemble, et Debt avec Credit cards. Sans rotation, les saturations ne changent que légèrement ici (facteur 1 : Employ 0.9666, Residence 0.9526), car la solution non pivotée est déjà assez simple.
Questions fréquentes
À quoi sert l'analyse factorielle ?
L'analyse factorielle explique les corrélations entre de nombreuses variables mesurées à l'aide de quelques facteurs sous-jacents. Les variables qui évoluent ensemble saturent le même facteur : une longue liste de résultats d'essais, de mesures de procédé ou de questions de questionnaire peut donc se résumer en quelques facteurs, et vous pouvez voir quelles variables sont en grande partie indépendantes des autres.
Quelle différence entre l'extraction Principal Components et Maximum Likelihood ?
Avec l'extraction Principal Components, la matrice de corrélation est décomposée en valeurs propres et vecteurs propres, et les saturations de chaque facteur sont un vecteur propre multiplié par la racine carrée de sa valeur propre. L'extraction Maximum Likelihood ajuste le modèle à facteurs communs avec un algorithme itératif et suppose que les variables suivent approximativement une loi normale multivariée.
Que fait la rotation varimax en analyse factorielle ?
La rotation varimax fait tourner les facteurs de sorte que chaque variable sature fortement un facteur et se rapproche de zéro sur les autres, ce qui facilite la dénomination des facteurs. La rotation ne change pas la part expliquée de chaque variable. Après rotation, les facteurs sont classés selon la variance qu'ils expliquent. La rotation ne s'applique qu'avec deux facteurs ou plus.
Comment interpréter la communalité et l'unicité en analyse factorielle ?
La communalité d'une variable est la somme de ses saturations au carré, c'est-à-dire la part de sa variance expliquée par les facteurs. L'unicité vaut 1 moins la communalité. Dans l'exemple des demandeurs de prêt, Employ avait une communalité de 0.937 alors qu'Income n'avait que 0.2308, ce qui montre que le revenu restait en grande partie à part avec deux facteurs.
