Tailles de classe
La taille relative estimée de chaque segment (sa proportion de mélange).
MÉTHODE PLS-SEM
FIMIX-PLS : trouver des segments cachés dans vos données
FIMIX-PLS met au jour l’hétérogénéité non observée : des sous-groupes de votre échantillon pour lesquels les relations structurelles diffèrent, alors que vous n’avez pas défini les groupes à l’avance. Cette page explique ce que fait la méthode, comment lire les critères d’ajustement et les solutions par segments, un exemple chiffré et les erreurs fréquentes.
Ce que fait FIMIX-PLS
Un seul modèle PLS-SEM suppose qu’un même jeu de coefficients de chemin vaut pour tout le monde. Cette hypothèse peut masquer une hétérogénéité non observée : des segments distincts pour lesquels les relations diffèrent. Contrairement à l’analyse multigroupe, où vous fournissez la variable de regroupement, FIMIX-PLS (Hahn et al. 2002) découvre les segments à partir des données elles-mêmes.
C’est une méthode de mélange fini : elle suppose que l’échantillon est un mélange d’un nombre fixe de classes latentes, chacune avec ses propres coefficients de chemin, et estime en même temps les appartenances aux classes et le modèle par classe à l’aide d’un algorithme EM.
Un exemple chiffré
Vous lancez FIMIX-PLS pour deux classes. Le modèle agrégé a estimé un coefficient unique de 0,34 pour un chemin clé, mais la solution à deux classes partage l’échantillon en Segment 1 (62 % des cas, coefficient 0,55) et Segment 2 (38 %, coefficient 0,09). Ce chiffre agrégé unique cachait deux groupes très différents.
L’étape suivante consiste à trouver une variable observable qui explique la séparation, afin de pouvoir décrire et utiliser les segments.
Comment choisir le nombre de segments
FIMIX-PLS ne vous donne pas directement le nombre de segments. Vous le lancez pour plusieurs nombres de classes et comparez des critères d’ajustement et de séparation.
- AIC, BIC, CAIC, MDL5
- Critères d’information entre les solutions candidates. Plus bas vaut mieux. Lorsqu’ils divergent, on utilise souvent AIC3 et CAIC ensemble, ou un consensus entre critères, pour choisir le nombre de classes.
- Entropie (EN) > 0,50
- L’entropie normalisée mesure la netteté de l’affectation des cas aux classes. Au-dessus de 0,50, les segments sont bien séparés ; plus c’est élevé, mieux c’est.
- Taille de segment
- Chaque segment doit être assez grand pour estimer son propre modèle. Les segments minuscules, bien en dessous de 10 % de l’échantillon, sont en général inutilisables.
Une bonne solution a des critères d’information bas, une entropie élevée et des segments assez grands et interprétables. La statistique seule ne tranche pas ; les segments doivent avoir un sens théorique.
Ce que rapporte une exécution FIMIX
Chemins par classe
Les coefficients de chemin structurels estimés séparément au sein de chaque segment.
Critères d’ajustement
AIC, AIC3, AIC4, BIC, CAIC, MDL5 et l’entropie normalisée de la solution, pour comparer différents nombres de classes.
Appartenance à un segment
La classe la plus probable de chaque cas, que vous pouvez ensuite relier à des variables observables.
Réaliser FIMIX-PLS étape par étape
- Estimez d’abord le modèle PLS-SEM agrégé comme référence.
- Lancez FIMIX-PLS pour une plage de nombres de classes, par exemple de deux à quatre.
- Comparez les critères d’ajustement et l’entropie entre les solutions pour choisir le nombre de segments.
- Examinez les coefficients de chemin par segment pour voir comment les relations diffèrent.
- Trouvez des variables observables qui caractérisent les segments, puis confirmez ce regroupement par une analyse multigroupe.
Erreurs fréquentes
- Choisir le nombre de segments à partir d’un seul critère. Les critères divergent souvent ; pondérez-en plusieurs avec l’interprétabilité.
- Conserver des segments trop petits pour estimer un modèle stable.
- Traiter les classes latentes comme définitives sans trouver une variable observable qui les explique. Des segments inexpliqués sont difficiles à exploiter.
- Lancer FIMIX sur un échantillon trop petit ; l’estimation de mélange fini a besoin d’un nombre raisonnable de cas par classe.
FIMIX-PLS dans OpenPLS
OpenPLS comprend un panneau FIMIX-PLS. Vous choisissez le nombre de classes, et il affiche les tailles des segments, les coefficients de chemin par segment, l’ensemble complet des critères d’ajustement (AIC, AIC3, AIC4, BIC, CAIC, MDL5 et entropie) et la classe la plus probable pour chaque cas. Gratuit et dans le navigateur.
Cherchez des segments cachés dans vos propres données
Construisez votre modèle dans l’éditeur visuel et lancez FIMIX-PLS pour plusieurs nombres de classes en quelques clics. Gratuit, sans installation.
Questions fréquentes
- Quelle est la différence entre FIMIX-PLS et l’analyse multigroupe ?
- L’analyse multigroupe compare des groupes que vous définissez à l’avance, comme le pays ou le genre. FIMIX-PLS découvre les segments à partir des données lorsque vous ne connaissez pas le regroupement, c’est pourquoi elle traite l’hétérogénéité non observée.
- Combien de segments dois-je extraire ?
- Lancez plusieurs nombres de classes et comparez les critères d’information (AIC, BIC, CAIC, MDL5) et l’entropie normalisée, ainsi que la taille des segments et l’interprétabilité. Aucun critère ne décide seul.
- Que faire après que FIMIX a trouvé des segments ?
- Trouvez une variable observable qui explique la séparation des segments, décrivez les segments et, idéalement, confirmez les différences par une analyse multigroupe sur cette variable.
Pour aller plus loin
La méthode a été introduite dans Hahn, C., Johnson, M. D., Herrmann, A., & Huber, F. (2002). Capturing customer heterogeneity using a finite mixture PLS approach. Schmalenbach Business Review, 54(3), 243-269. Des conseils d’application figurent dans Sarstedt, M., Becker, J.-M., Ringle, C. M., & Schwaiger, M. (2011). Uncovering and treating unobserved heterogeneity with FIMIX-PLS. Schmalenbach Business Review, 63(1), 34-62, et dans Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling. Sage.