Utilisation des modèles à équations structurelles en analyse sensorielle. Michel Tenenhaus. La revue MODULAD, numéro 38, 2008.

Résumé
Deux écoles concurrentes se sont imposées dans le domaine de la modélisation des équations structurelles. La première approche, appelée « Covariance-based SEM » (SEM = Structural Equation Modeling), s’est développée autour de Karl Jöreskog. Cette approche a pour objectif de modéliser la matrice de covariance des variables observées. Elle peut être considérée comme une généralisation de l’analyse factorielle en facteurs communs et spécifiques au cas de plusieurs tableaux de données reliés entre eux par des liens de causalité. La seconde approche s’est développée autour de Herman Wold sous le nom de « PLS » (Partial Least Squares), puis de « Component-based SEM ». Elle a pour objectif la construction de scores résumant au mieux chaque bloc de variables tout en tenant compte du réseau de causalité. C’est une généralisation de l’analyse en composantes principales au cas de plusieurs tableaux de données reliés entre eux par des liens de causalité. Plus récemment Hwang et Takane (2004) ont proposé une méthode « Component-based SEM » : la méthode GSCA (Generalized Structural Component Analysis). Elle permet une recherche de scores optimisant un critère global. Nous allons discuter de l’utilisation de ces trois approches en donnant des exemples d’utilisation en analyse sensorielle.

Abstract :

Two complementary schools have come to the fore in the field of Structural Equation Modelling (SEM): covariance-based SEM and component-based SEM. The first approach has been developed around Karl Jöreskog and the second one around Herman Wold under the name "PLS" (Partial Least Squares). Hwang and Takane have proposed a new component-based SEM method named Generalized Structured Component Analysis. Covariance-based SEM is usually used with an objective of model validation and needs a large sample. Component-based SEM is mainly used for score computation and can be carried out on very small samples. The first conclusion is that score computation and bootstrap validation are very insensitive to the choice of the method when the blocks are homogenous. The second conclusion is that ULS-SEM and PLS appear to be superior to GSCA when some blocks are heterogeneous.

Mots clés
PLS, ULS, SEM, GSCA.

Key words:
Component-based SEM, Covariance-based SEM, GSCA, Structural Equation Modelling, Unweighted Least Squares

Article