Variables latentes (LV)
Les construits qui vous intéressent réellement : satisfaction client, confiance, utilité perçue. Ne peuvent pas être mesurés directement.
PLS-SEM expliqué
Qu'est-ce que le PLS-SEM ?
La modélisation par équations structurelles fondée sur les moindres carrés partiels est une méthode fondée sur la variance pour estimer des modèles comportant des construits latents, c'est-à-dire des éléments qui ne peuvent être mesurés directement, mais uniquement au travers d'indicateurs observables. Cette page explique ce qu'est le PLS-SEM, quand l'employer et en quoi il diffère du SEM fondé sur la covariance.
Ce que fait vraiment PLS-SEM, expliqué simplement
Certaines choses qui intéressent les chercheurs - la satisfaction des clients, la confiance envers une marque, l'intention d'utiliser une technologie - ne peuvent pas être mesurées avec un seul chiffre. Il n'existe pas de "jauge de satisfaction" que l'on puisse poser sur quelqu'un. Les chercheurs posent donc plusieurs questions d'enquête qui tournent autour du concept ("Je suis satisfait de X", "Je recommanderais X", "X a répondu à mes attentes") et utilisent ces réponses comme des indices de ce qui se passe en dessous.
PLS-SEM, c'est le calcul qui transforme ces indices en un modèle que l'on peut tester. Il pose la question : est-ce que la satisfaction provoque vraiment la fidélité, et si oui, avec quelle force ? Il vous donne des chiffres que vous pouvez rapporter - par exemple, "une hausse de 1-point de la satisfaction correspond à une hausse de 0.6-point de la fidélité, et cet effet est statistiquement fiable". Les chercheurs en marketing, en HR, en systèmes d'information et en services de santé s'en servent tous les jours.
Les quatre briques fondamentales
Indicateurs (variables manifestes)
Colonnes observables du jeu de données qui représentent chaque construit latent : items d'enquête, notations, relevés de capteurs.
Modèle de mesure (modèle externe)
Comment les indicateurs se rattachent à leur variable latente. Réflexif (la LV cause les indicateurs, par ex. satisfaction → sat1..sat4) ou formatif (les indicateurs causent la LV, par ex. revenu + éducation → NSE).
Modèle structurel (modèle interne)
Les relations hypothétiques entre variables latentes. Ce sont les chemins causaux que vous testez.
Critères de qualité importants
Les évaluateurs attendent que les critères suivants soient rapportés pour une analyse PLS-SEM défendable.
- R² par LV endogène
- Quelle part de variance le modèle explique. Paliers de Chin (1998) : 0.19 faible, 0.33 modéré, 0.67 substantiel.
- Coefficients de chemin avec valeurs p
- Tests de significativité par bootstrap sur les chemins structurels. Le standard de publication est de 5000+ ré-échantillonnages.
- HTMT pour la validité discriminante
- Ratio Heterotrait-Monotrait (Henseler 2015). Seuil 0.85 conservateur, 0.90 libéral. Le HTMT2 (Roemer 2021) l'affine.
- Fiabilité : Cronbach's α, ρ_A, ρ_c
- Indicateurs de validité convergente ; ≥ 0.70 est le seuil standard pour la recherche confirmatoire.
- Ajustement du modèle SRMR
- Racine carrée de la moyenne des carrés des résidus standardisés. < 0.08 est considéré comme un bon ajustement (Hu & Bentler 1999).
- Recommandations sur la taille d'échantillon
- La règle des 10 fois : la taille de l'échantillon doit être au moins dix fois le plus grand nombre de chemins pointant vers une même variable latente.
PLS-SEM contre CB-SEM
Le PLS-SEM n'est pas un substitut strict au SEM fondé sur la covariance (CB-SEM). Ce sont toutes deux des techniques de modélisation par équations structurelles, mais elles optimisent des objectifs différents.
| Aspect | PLS-SEM | CB-SEM |
|---|---|---|
| Objectif d'estimation | Prédiction, exploration | Confirmation d'une théorie établie |
| Hypothèses | Aucune exigence de distribution | Normalité multivariée |
| Taille d'échantillon | Fonctionne avec de petits échantillons (n < 100 possible) | Généralement n ≥ 200 |
| Indicateurs formatifs | Prise en charge native | Malaisé, nécessite des contournements |
| Complexité du modèle | Gère bien les modèles complexes avec de nombreuses LV et chemins | Peine avec une forte complexité |
| Indices d'ajustement | SRMR, dULS, dG | χ², CFI, TLI, RMSEA (exhaustifs) |
| Outils populaires | OpenPLS, SmartPLS, seminr, cSEM | lavaan, Mplus, AMOS, LISREL |
Quand utiliser le PLS-SEM
- Votre recherche est orientée prédiction ou exploration plutôt que confirmation d'une théorie bien établie.
- Vous disposez d'un petit échantillon ou de données non normales.
- Votre modèle comporte des construits formatifs (indicateurs causant la LV).
- Votre modèle est structurellement complexe (nombreuses LV, nombreux chemins hypothétiques).
- Vous devez travailler avec des variables composites plutôt qu'avec des facteurs communs.
Quand NE PAS utiliser le PLS-SEM
- Vous confirmez une théorie de mesure bien établie et avez besoin des indices d'ajustement traditionnels (χ², CFI, RMSEA) : utilisez le CB-SEM.
- Vos indicateurs sont purement réflexifs et vous souhaitez modéliser rigoureusement l'erreur de mesure : utilisez le CB-SEM.
- Vous avez besoin de scores de variables latentes qui soient strictement des facteurs communs (et non des composites) : utilisez le CB-SEM.
- Vous menez une analyse factorielle exploratoire pure sans modèle structurel : utilisez plutôt l'EFA/PCA classiques.
Un exemple minimal
Une étude de satisfaction client pose la question : la qualité perçue entraîne-t-elle la satisfaction, et la satisfaction entraîne-t-elle la fidélité ? Trois variables latentes (Qualité, Satisfaction, Fidélité), chacune mesurée par 3-5 items d'enquête sur une échelle de Likert à 7 points. Deux chemins hypothétiques (Qualité → Satisfaction, Satisfaction → Fidélité). Le PLS-SEM estime les coefficients de chemin, vérifie si les indicateurs mesurent de façon fiable chaque construit (via les loadings et le HTMT) et calcule des valeurs p par bootstrap pour les deux chemins.
Lancez une analyse PLS-SEM dans votre navigateur
OpenPLS est un outil PLS-SEM open source qui s'exécute entièrement dans le navigateur. Éditeur visuel de diagramme de chemins, panneau complet de critères de qualité, méthodes avancées (MGA, IPMA, PLSpredict, FIMIX). Validé contre SmartPLS 4 dans un document de travail publié.
Pour aller plus loin
La référence canonique pour les praticiens est Hair, Hult, Ringle & Sarstedt (2021), A Primer on Partial Least Squares Structural Equation Modeling, 3e éd. (Sage). Pour des recommandations méthodologiques sur le choix entre PLS-SEM et alternatives, voir Hair et al. (2019), When to use and how to report the results of PLS-SEM (European Business Review, 31(1), 2–24).