www.bayesia.com n'est pas optimisé pour votre navigateur (Internet Explorer 6).
Nous vous suggérons de passer à IE 7 ou Firefox pour une meilleure navigation.

Induction de facteurs latents probabilistes et analyse factorielle

Il n'est pas surprenant que le nouveau paradigme que représentent les réseaux Bayésiens invite aux comparaisons avec des méthodes plus classiques. Dans le domaine des études de marché, par exemple, les méthodes établies de longue date, comme l'analyse factorielle, restent privilégiées aujourd'hui. Étant donné qu'il existe une contrepartie directe à l’analyse factorielle dans le cadre des réseaux Bayésiens, nous voulons faire ressortir les similitudes et les différences fondamentales. L'objectif de cet article est de présenter les deux méthodes sur un même exemple, et donc aider les chercheurs à comparer et interpréter correctement les résultats respectifs. Plus précisément, nous voulons établir les équivalences sémantiques entre l'approche factorielle traditionnelle de l'analyse statistique et la nouvelle méthode proposée dans BayesiaLab, que nous appelons l’induction de facteurs latents probabilistes.

 

L'analyse factorielle est une méthode statistique utilisée pour décrire la variabilité entre les variables observées en fonction d'un nombre potentiellement plus faible de variables non observées, appelés facteurs. Il est possible, par exemple, que les variations de trois ou quatre variables observées reflètent principalement les variations d'une seule variable non observée. Les variables observées peuvent être considérées comme des manifestations de variables abstraites sous-jacentes (et non observées).

 

L’analyse factorielle a son origine dans la psychométrie, et est utilisée dans les sciences comportementales, sciences sociales, marketing, gestion des produits, la recherche opérationnelle, et d'autres sciences appliquées qui traitent d'un grand nombre de variables dans leurs données.

 

L’induction de facteurs latents probabilistes est un « workflow » au sein du progiciel BayesiaLab qui a le même objectif que l'analyse factorielle traditionnelle, à savoir la création de variables latentes résumant les variables manifestes. Il fonctionne entièrement dans le cadre des réseaux Bayésiens et est basée sur des principes issus de la théorie de l'information.

 

Il est important de souligner que cette comparaison n'est pas destinée à favoriser une approche par rapport à l'autre (et de déclarer un gagnant et un perdant), même s’il est clairement dans l'intérêt des auteurs pour promouvoir les réseaux Bayésiens en général, et BayesiaLab en particulier. 

Télécharger l'article (8.8 MB)