La mesure en psychologie et dans les sciences du comportement a longtemps été traversée par une tension fondamentale entre la rigueur formelle de l’instrumentation et l’insaisissable complexité des construits psychologiques latents. Contrairement aux grandeurs physiques directement accessibles au travers d’étalons tangibles, les attributs psychologiques tels que l’anxiété, l’intelligence générale, l’extraversion ou l’auto-efficacité ne se manifestent jamais de manière pure. Toute tentative d’évaluation est intrinsèquement médiatisée par un outil spécifique : un questionnaire d’auto-évaluation, un protocole d’observation standardisé, une grille de jugement par les pairs ou une épreuve de performance cognitive. Dès lors, une interrogation épistémologique cruciale surgit : la variance observée lors d’une mesure reflète-t-elle véritablement le trait psychologique que l’on prétend évaluer, ou résulte-t-elle principalement de l’artefact technique mobilisé pour la capturer ?
Cette aporie méthodologique a trouvé une réponse décisive en 1959 avec la publication d’un article fondateur dans le Psychological Bulletin par Donald T. Campbell et Donald W. Fiske, intitulé « Convergent and discriminant validation by the multitrait-multimethod matrix ». En introduisant la matrice multitrait-multiméthode (MTMM), les deux chercheurs ont proposé un changement de paradigme radical. Ils ont formalisé le fait qu’une mesure ne saurait être validée de manière isolée ou par la simple corrélation avec un indicateur similaire partageant la même modalité d’évaluation. Pour qu’un construit psychologique acquière une légitimité scientifique, il doit non seulement converger à travers des méthodologies indépendantes et diversifiées, mais également se discriminer nettement d’autres construits conceptuellement distincts, quand bien même ces derniers seraient évalués par un protocole identique.
Plus de six décennies après sa conceptualisation, la démarche MTMM demeure l’un des piliers méthodologiques les plus robustes pour décomposer la variance des scores en composantes de trait, de méthode et d’erreur aléatoire. De la simple lecture heuristique de patrons de corrélation préconisée à l’origine jusqu’aux modélisations contemporaines par équations structurelles et analyses bayésiennes, le paradigme de Campbell et Fiske constitue un filtre de rigueur incontournable face aux illusions métrologiques et au biais de variance commune de méthode qui continuent de menacer la reproductibilité des sciences humaines contemporaines.
1. Introduction et fondements historiques de la matrice multitrait-multiméthode
1.1 Le contexte épistémologique de la psychométrie dans les années 1950
L’immédiat après-guerre a été marqué par une volonté ardente d’élever la psychologie au rang des sciences exactes, en adoptant une posture méthodologique largement inspirée par le positivisme logique du Cercle de Vienne et l’opérationnisme strict formulé par le physicien Percy Bridgman. Dans cette perspective opérationniste, un concept scientifique s’identifiait entièrement et sans reste à l’ensemble des opérations requises pour le mesurer. Une telle doctrine postulait par exemple que l’intelligence n’était rien d’autre que ce que mesuraient les tests d’intelligence, ou que l’extraversion se réduisait à la somme des points obtenus à une échelle particulière de personnalité. Cette réduction drastique, bien qu’attrayante par son rejet des spéculations métaphysiques, a rapidement plongé la psychométrie dans une impasse conceptuelle majeure.
En confondant l’attribut latent sous-jacent avec son mode opératoire d’observation, les psychologues des années 1950 se heurtaient à une prolifération anarchique d’instruments concurrents se réclamant tous d’un même phénomène sans qu’aucune passerelle rationnelle ne permette de les unifier. Plus grave encore, une confusion récurrente régnait entre la fidélité des mesures et leur validité théorique. Une échelle d’attitude pouvait afficher une consistance interne exceptionnelle et une stabilité temporelle quasi parfaite en test-retest, tout en mesurant un construit totalement différent de celui visé, ou en capturant majoritairement un style de réponse stylistique, tel que la tendance à l’acquiescement ou le désir de paraître socialement convenable.
Face à ce flou conceptuel, la communauté scientifique a ressenti la nécessité impérieuse d’établir une standardisation rigoureuse de la validation des instruments psychologiques. La publication en 1954 des premières recommandations techniques par l’American Psychological Association a mis en lumière les limites des approches traditionnelles de la validité, alors cantonnées à la validité de contenu et à la validité critériée (qu’elle soit prédictive ou concomitante). C’est précisément dans cette brèche qu’allait s’inscrire l’article séminal de Donald T. Campbell et Donald W. Fiske en 1959. En proposant une grille d’analyse systématique et comparative, cet article est devenu l’une des contributions les plus citées de toute l’histoire des sciences du comportement, modifiant irréversiblement la manière dont les chercheurs conçoivent la réalité psychologique de leurs objets d’étude.
1.2 L’évolution de la théorie de la validité de construit
Pour comprendre la genèse de la matrice MTMM, il est fondamental de la situer dans le prolongement direct des travaux révolutionnaires de Lee Cronbach et Paul Meehl (1955) sur la validité de construit. Cronbach et Meehl avaient introduit l’idée novatrice de « réseau nomologique » (nomological network), affirmant qu’un construit psychologique ne peut être appréhendé de façon isolée, mais doit être défini par l’entrelacement des lois théoriques le reliant à d’autres construits observables et inobservables. Selon cette perspective, valider un construit consiste à vérifier empiriquement si les relations observées entre divers indicateurs correspondent fidèlement aux prédictions déduites du système théorique.
Toutefois, la conceptualisation de Cronbach et Meehl demeurait largement abstraite et offrait peu de directives opérationnelles précises pour démêler empiriquement les composantes du réseau. Les pratiques d’évaluation restaient majoritairement ancrées dans des approches univariées et unidimensionnelles de la mesure des traits. Les psychologues validaient généralement un nouveau test en montrant simplement qu’il corrélait positivement avec un ancien test mesurant le même construit, ou qu’il parvenait à prédire un critère externe binaire. Ce faisant, ils ignoraient délibérément l’impact de la variance d’erreur systématique liée aux outils d’évaluation eux-mêmes, attribuant naïvement toute corrélation positive à la présence du trait psychologique partagé.
Campbell et Fiske ont brisé cette vision naïve en introduisant une rupture méthodologique radicale : l’intégration indispensable du pluralisme méthodologique comme exigence scientifique fondamentale. Ils ont postulé qu’une mesure psychologique n’est jamais pure, mais constitue un amalgame indissociable entre un contenu notionnel (le trait) et une forme d’évaluation (la méthode). Par conséquent, aucune validation de construit ne peut être menée à bien sans soumettre simultanément plusieurs traits à plusieurs méthodes distinctes. Le réseau nomologique trouvait ainsi son premier banc d’essai matriciel, capable de tester la résilience des théories face aux impuretés de l’instrumentation empirique.
1.3 Objectifs primordiaux de la méthodologie MTMM
L’ambition première de la méthodologie développée par Campbell et Fiske est de procéder à la séparation systématique de la variance attribuable au trait et de la variance liée à la méthode. Tout score obtenu par un individu sur une échelle donnée peut être décomposé conceptuellement en trois parties : une part de variance véritable liée au trait latent que l’on cherche à évaluer, une part de variance systématique introduite par la méthode de collecte des données (par exemple, le format de réponse sur échelle de Likert, la propension à l’autodépréciation ou les biais de l’observateur), et enfin une part de variance d’erreur aléatoire non reproductible.
Pour accomplir cette dissociation analytique, le protocole MTMM exige l’établissement simultané de deux formes complémentaires de preuves empiriques : la validité convergente et la validité discriminante. La validité convergente impose que deux mesures distinctes censées refléter le même trait psychologique convergent vers un degré d’accord substantiel, même lorsqu’elles mobilisent des méthodologies radicalement divergentes. À l’inverse, la validité discriminante exige qu’un instrument ne présente pas de corrélations excessives avec des mesures évaluant d’autres construits conceptuellement indépendants, particulièrement lorsque ces autres construits sont mesurés avec la même technique d’évaluation.
Enfin, le troisième objectif primordial de la démarche réside dans l’évaluation transversale de la robustesse psychométrique des batteries de tests. En confrontant de façon synchrone une pluralité de construits et d’outils, la MTMM offre un diagnostic d’ensemble sur l’écologie de la mesure au sein d’un laboratoire ou d’un paradigme de recherche. Elle permet d’identifier immédiatement si un résultat expérimental prometteur découle d’une découverte théorique authentique sur les dispositions humaines ou s’il n’est qu’un artefact méthodologique engendré par la convergence trompeuse d’instruments redondants.
2. Les figures fondatrices : Contributions de Donald T. Campbell et Donald W. Fiske
2.1 Donald T. Campbell et la théorie de la validité scientifique
Donald Thomas Campbell (1916-1996) est reconnu comme l’un des penseurs les plus influents de l’épistémologie et de la méthodologie des sciences sociales du XXe siècle. Sa pensée s’enracine dans ce qu’il a lui-même qualifié d’« épistémologie évolutionniste » et de « réalisme critique ». Pour Campbell, la réalité empirique existe indépendamment de nos représentations, mais l’accès de l’observateur humain à cette réalité demeure perpétuellement imparfait, filtré par des organes sensoriels et des dispositifs techniques faillibles. De cette vision philosophique découle une méfiance salutaire envers toute affirmation scientifique fondée sur un point de vue unique ou une mesure solitaire.
Campbell a profondément restructuré la taxonomie de la recherche expérimentale et quasi-expérimentale, notamment à travers ses collaborations emblématiques avec Julian Stanley et Thomas Cook. Il a formulé la distinction canonique entre quatre grands types de validité : la validité des conclusions statistiques, la validité interne (la justesse de l’inférence causale), la validité externe (la généralisabilité des résultats à d’autres populations et contextes), et la validité de construit (l’adéquation entre les manipulations ou observations empiriques et les concepts théoriques sous-jacents). Cette typologie a imposé une rigueur inédite dans l’évaluation des interventions sociales et éducatives.
Au cœur de l’approche de Campbell figure le concept de triangulation méthodologique. Selon lui, aucun instrument de mesure n’étant exempt de biais de spécification, la seule manière d’approcher l’objectivité scientifique consiste à multiplier les opérations d’observation indépendantes afin d’examiner si elles convergent vers un point d’intersection commun. Si plusieurs méthodes présentant des biais distincts et non corrélés aboutissent à la même conclusion factuelle, la probabilité que cette conclusion soit attribuable à un artefact d’instrumentation diminue considérablement. La matrice MTMM constitue la transcription opérationnelle directe de ce principe de triangulation appliqué à l’évaluation des attributs psychologiques individuels.
2.2 Donald W. Fiske et la psychométrie des différences individuelles
De son côté, Donald Winslow Fiske (1916-2003), professeur émérite à l’Université de Chicago, a consacré une part prépondérante de sa carrière à la psychométrie appliquée et à l’analyse fine des différences individuelles. Fiske s’est illustré dès la fin des années 1940 par ses travaux pionniers sur la structure de la personnalité humaine, participant de manière décisive à l’émergence précoce de ce qui deviendra plus tard le modèle à cinq facteurs (le Big Five). Ses investigations empiriques l’ont très tôt confronté à la fragilité des protocoles d’évaluation clinique et comportementale.
Fiske a développé une conscience critique aiguë face à l’extrême variabilité des réponses fournies par les sujets selon les modalités d’évaluation employées. En analysant minutieusement les données issues de questionnaires d’auto-évaluation, de jugements formulés par des cliniciens lors d’entretiens diagnostiques et d’observations standardisées en situation de laboratoire, il a constaté avec effroi le manque d’accord empirique entre ces différentes sources. Là où la théorie clinique postulait l’existence d’une structure de personnalité stable et cohérente, les données de Fiske révélaient que les observateurs jugeaient souvent en fonction de stéréotypes personnels ou de perspectives contextuelles spécifiques, tandis que les auto-évaluations reflétaient des dynamiques défensives complexes.
Cette lucidité méthodologique a poussé Fiske à exiger une standardisation rigoureuse des observations comportementales, tout en reconnaissant les limites inhérentes à l’introspection et au jugement d’autrui. La rencontre et la collaboration intellectuelle entre Campbell et Fiske, unissant la vision épistémologique globale et la rigueur d’expérimentateur du premier à la fine expertise psychométrique et clinique du second, a créé l’étincelle nécessaire à la formalisation du paradigme MTMM. Ensemble, ils ont démontré que la variabilité inter-méthodes ne constituait pas un bruit négligeable à balayer sous le tapis statistique, mais une réalité substantielle imposant une refonte complète de la théorie de la mesure.
3. Les concepts fondamentaux : Validité convergente et validité discriminante
3.1 La validité convergente en profondeur
La validité convergente représente la condition première et nécessaire à toute revendication de mesure d’un construit théorique. Sur le plan formel, elle se définit comme le degré d’accord substantiel, mesuré empiriquement, entre des indicateurs indépendants conçus pour évaluer le même construit psychologique. Le postulat fondamental est d’une grande simplicité géométrique : si deux instruments prétendent refléter la même entité sous-jacente — par exemple, le concept d’estime de soi —, les résultats obtenus auprès d’un même échantillon d’individus doivent afficher une corrélation positive élevée et statistiquement significative, attestant que les deux mesures captent une communauté de variance substantielle.
Cependant, l’apport crucial de Campbell et Fiske réside dans l’exigence formelle que cette convergence soit attestée à travers des méthodes radicalement hétérogènes et conceptuellement non redondantes. Il ne suffit pas de corréler deux questionnaires d’auto-évaluation formulés de manière quasi identique pour décréter la validité convergente d’un construit. Une telle corrélation élevée peut facilement résulter du fait que les deux instruments partagent le même format de réponse, sollicitent les mêmes capacités d’introspection et activent les mêmes biais de désirabilité sociale. Pour faire la preuve d’une véritable convergence, il est impératif de confronter, par exemple, un auto-questionnaire, une mesure comportementale chronométrée et une évaluation par un observateur indépendant.
D’un point de vue épistémologique, la démonstration d’une convergence robuste à travers des méthodes indépendantes prouve la réalité ontologique du trait au-delà du simple artefact expérimental. À l’inverse, l’échec de la convergence entre deux méthodes d’évaluation entraîne des conséquences théoriques majeures : il contraint le chercheur à admettre que les deux instruments ne mesurent pas la même dimension psychologique, ou que l’une au moins des deux méthodes est dépourvue de sensibilité et de validité. Dans de telles circonstances, continuer à employer un vocable théorique unique pour désigner des opérations divergentes constitue une illusion sémantique préjudiciable au progrès scientifique.
3.2 La validité discriminante : principes et impératifs
Si la validité convergente est intuitive, la validité discriminante représente l’innovation conceptuelle la plus marquante introduite par Campbell et Fiske. Elle se définit formellement comme l’absence de corrélation excessive entre des mesures de construits théoriquement distincts. Selon ce principe, pour prouver qu’un nouvel instrument mesure bien ce qu’il prétend évaluer, il ne suffit pas de montrer avec quoi il s’associe ; il est tout aussi fondamental d’apporter la preuve empirique de ce dont il se distingue. Un instrument d’évaluation doit posséder des frontières conceptuelles nettes qui préviennent toute confusion avec des dimensions psychologiques connexes.
La démonstration de la validité discriminante garantit que le nouveau construit évalué n’est pas un simple doublon lexical d’une dimension déjà connue et répertoriée par la littérature psychologique. Le milieu scientifique est régulièrement confronté au risque de redondance conceptuelle, où un chercheur invente un terme séduisant (par exemple, le « sentiment d’engagement émotionnel profond ») qui ne fait en réalité que masquer un construit déjà solidement établi depuis des décennies (comme l’« attachement sécure »). En l’absence de tests de discrimination stricts, la psychométrie s’expose à une inflation factorielle pathologique, accumulant des étiquettes sémantiques distinctes pour des processus psychiques strictement identiques.
Cette distinction s’avère particulièrement cruciale en psychologie clinique et en psychiatrie. Considérons l’exemple paradigmatique de la différenciation entre le trouble dépressif majeur et le trouble de l’anxiété généralisée. Ces deux entités cliniques partagent une charge affective négative substantielle et présentent une comorbidité empirique fréquente. Pour établir qu’il s’agit bien de deux entités diagnostiques indépendantes, les chercheurs doivent prouver que les échelles de dépression et les échelles d’anxiété ne s’amalgament pas en une variance indifférenciée de détresse psychologique générale, mais maintiennent une séparation factorielle et empirique mesurable, même lorsqu’elles sont administrées simultanément par un clinicien.
3.3 La variance de méthode comme menace majeure à la validité
L’obstacle central que la matrice MTMM cherche à diagnostiquer et à neutraliser est la variance de méthode commune, fréquemment désignée par son acronyme anglophone CMV (Common Method Variance). La variance de méthode désigne la variance systématique attribuable à la technique de mesure plutôt qu’aux construits théoriques que les indicateurs sont censés représenter. Lorsqu’une méthode d’évaluation particulière introduit ses propres distorsions de manière constante à travers plusieurs instruments, elle gonfle artificiellement les corrélations observées entre ces derniers, créant une illusion d’association conceptuelle là où il n’existe parfois qu’une affinité d’instrumentation.
Les sources de variance de méthode sont multiples et peuvent être scindées en facteurs psychologiques et structurels. Parmi les origines psychologiques, on compte au premier plan :
- La désirabilité sociale : La tendance quasi automatique des répondants à projeter une image favorable d’eux-mêmes en approuvant systématiquement les items perçus comme valorisants et en rejetant ceux connotés négativement.
- Le biais d’acquiescement : La propension de certains individus à donner une réponse affirmative à une proposition, indépendamment de son contenu réel.
- Les tendances extrêmes ou de modération : Les styles cognitifs personnels qui conduisent certains participants à n’utiliser que les bornes extrêmes des échelles d’évaluation, tandis que d’autres s’accrochent frileusement au point médian de neutralité.
Sur le plan structurel, la présentation même des outils génère des biais substantiels. L’utilisation d’échelles de Likert au format identique pour toutes les variables d’une étude, la contiguïté spatiale des questions au sein d’un même fascicule, ou encore l’administration simultanée de toutes les mesures en une seule session temporelle favorisent des états affectifs transitoires (tels que la fatigue ou l’ennui) qui contaminent uniformément l’ensemble des réponses. Lorsqu’un chercheur observe une corrélation de r = 0,60 entre deux questionnaires auto-rapportés évaluant deux construits différents, une part prépondérante de cette association statistique provient bien souvent du simple fait que le répondant est assis sur la même chaise, lit la même police de caractères et coche les mêmes cases d’accord à quelques secondes d’intervalle.
4. Structure et architecture formelle de la matrice MTMM
4.1 L’organisation matricielle générale
La matrice multitrait-multiméthode est un agencement tabulaire systématique conçu pour juxtaposer l’ensemble des corrélations possibles entre plusieurs traits psychologiques mesurés chacun par plusieurs méthodes distinctes. Pour qu’une analyse MTMM ait un sens logique et statistique, elle exige une configuration minimale : il faut au moins deux traits différents (T1, T2) évalués chacun par au moins deux méthodes différentes (M1, M2), ce qui constitue le modèle standard 2×2. Toutefois, Campbell et Fiske ont fortement recommandé l’usage d’une architecture 3×3 (trois traits mesurés par trois méthodes), cette dernière fournissant un socle informationnel bien plus dense pour vérifier la réplication des patrons de corrélation et éviter les indéterminations statistiques.
La disposition de la matrice obéit à une orthogonalité stricte et rigoureuse. Les lignes et les colonnes sont structurées de manière identique : elles sont regroupées en blocs majeurs correspondant aux méthodes d’évaluation, et à l’intérieur de chaque bloc de méthode, subdivisées par traits psychologiques. Par convention, on ordonne les traits de manière séquentielle et constante au sein de chaque bloc (par exemple : T1, T2, T3 pour la Méthode 1, puis T1, T2, T3 pour la Méthode 2, et ainsi de suite). Cette cartographie spatiale standardisée permet à l’œil averti d’inspecter visuellement et de catégoriser instantanément les différents coefficients d’association.
Pour que cette structure produise des inférences valides, une condition fondamentale doit impérativement être respectée : l’indépendance présumée des méthodes mobilisées. Les différentes méthodes retenues ne doivent pas constituer de simples variantes cosmétiques d’une même approche, mais doivent incarner des voies d’accès véritablement distinctes au phénomène psychologique. Si la Méthode 1 est un auto-questionnaire papier et la Méthode 2 un auto-questionnaire en ligne, l’indépendance est largement illusoire et l’architecture matricielle sera incapable d’isoler la variance de méthode propre à la subjectivité du sujet.
4.2 Les diagonales de fidélité (monotrait-monométhode)
L’axe vertébral de la matrice MTMM est constitué par sa diagonale principale, souvent désignée sous l’appellation de diagonale de fidélité ou bloc monotrait-monométhode (1M-1T). Cette diagonale traverse la matrice du coin supérieur gauche au coin inférieur droit. Chaque case située sur cette trajectoire représente la corrélation d’une mesure avec elle-même, c’est-à-dire l’estimation de la précision métrologique de l’instrument lorsqu’il évalue un trait déterminé par le biais d’une méthode spécifique.
Puisqu’une corrélation d’une variable avec elle-même donnerait trivialement une valeur unitaire de 1,00, les chercheurs insèrent traditionnellement dans ces cellules des estimations fiables de la fidélité de la mesure. Ces indices sont généralement représentés entre parenthèses pour les distinguer des corrélations bivariées standard. On y rapporte des coefficients de cohérence interne classiques, comme l’alpha de Cronbach ou l’oméga de McDonald, ou encore des coefficients de stabilité temporelle obtenus par des protocoles de test-retest administrés à court intervalle.
D’un point de vue psychométrique, la valeur inscrite dans la diagonale de fidélité joue un rôle théorique de borne supérieure absolue pour toutes les corrélations impliquant cette mesure particulière. En vertu des théorèmes de la théorie classique des tests, la corrélation observée entre deux instruments est mathématiquement limitée par la racine carrée du produit de leurs fidélités respectives. Si un instrument présente un coefficient d’homogénéité médiocre (par exemple r = 0,50), il est mathématiquement impossible qu’il corrèle de façon très élevée avec une autre mesure, même si la relation théorique entre les traits sous-jacents est parfaite. Les indices de fidélité fournissent donc le cadre de référence indispensable pour étalonner la magnitude relative de toutes les autres corrélations de la matrice.
4.3 Les composantes hétérométhodes et hétérotraits
Au-delà de la diagonale principale, la matrice MTMM se décompose en blocs sous-jacents formant des structures géométriques distinctes qu’il convient de délimiter rigoureusement. On distingue deux grands types de blocs de corrélations : les blocs monométhodes et les blocs hétérométhodes.
Les blocs monométhodes sont situés le long de la diagonale principale et regroupent les intercorrélations entre différents traits évalués au sein d’une seule et même méthode. Ces blocs prennent la forme de triangles adjacents à la diagonale de fidélité. Les coefficients qui y figurent sont par définition des valeurs « hétérotrait-monométhode » : ils captent à la fois la relation théorique réelle unissant les différents traits psychologiques et l’effet amplificateur parasite induit par l’utilisation d’un instrument commun.
Les blocs hétérométhodes, quant à eux, occupent les espaces situés hors de la diagonale principale. Ils représentent les intersections entre deux méthodes de mesure distinctes (par exemple les données croisées de la Méthode 1 avec la Méthode 2). À l’intérieur de chaque bloc hétérométhode, on observe deux composantes géométriques fondamentales :
- La diagonale de validité : Elle est formée par les cellules reliant les mesures du même trait à travers deux méthodes distinctes (valeurs monotrait-hétérométhode). Cette ligne constitue le cœur névralgique de l’évaluation de la validité convergente.
- Les triangles hétérotraits : Situés de part et d’autre de cette diagonale de validité, ils rassemblent les corrélations reliant des traits différents mesurés par des méthodes différentes (valeurs hétérotrait-hétérométhode). Ces cellules reflètent le niveau de base le plus épuré de l’association conceptuelle, débarrassé de toute contamination de méthode partagée.
5. Les quatre blocs de corrélations de Campbell et Fiske
5.1 Les valeurs monotrait-monométhode (1M-1T)
Les valeurs monotrait-monométhode, logées sur la diagonale principale, fournissent l’estimation directe de la fidélité de mesure de chaque instrument pris isolément. Elles quantifient la part de variance reproductible de l’outil, indépendamment de toute question de validité conceptuelle. Dans une recherche empirique de haut niveau, le niveau d’exigence statistique attendu pour ces coefficients est traditionnellement très élevé : des valeurs de cohérence interne ou de test-retest supérieures à 0,80 sont couramment visées, des valeurs comprises entre 0,70 et 0,80 étant tolérées dans les contextes exploratoires.
L’examen méticuleux de ces valeurs constitue un préalable indispensable à toute interprétation ultérieure de la matrice. En effet, une défaillance de fidélité sur un indicateur (par exemple un coefficient de 0,55) entraîne mécaniquement une atténuation dramatique de l’ensemble des covariances impliquant cette cellule. Si un chercheur observe une convergence apparemment décevante entre deux méthodes mesurant le même trait, il doit impérativement vérifier si cette faiblesse découle d’un authentique défaut de validité de construit ou si elle n’est que la conséquence mathématique inévitable de l’imprécision métrologique de l’un des outils employés.
5.2 Les valeurs monotrait-hétérométhode (1T-HM) : la diagonale de validité
Les valeurs monotrait-hétérométhode constituent le positionnement stratégique le plus capital de la matrice MTMM, à tel point que les cellules qui les composent sont universellement dénommées « diagonales de validité ». Chaque coefficient de cette diagonale quantifie l’association empirique existant entre deux méthodes distinctes lorsqu’elles sont toutes deux appliquées à l’évaluation d’un seul et même trait psychologique latent. On y observe, par exemple, le degré de corrélation entre le niveau d’agressivité d’un enfant évalué par son enseignant à l’aide d’une grille d’observation et le score d’agressivité obtenu par ce même enfant lors d’une tâche de laboratoire sur ordinateur.
Ces coefficients fournissent la mesure empirique directe de la validité convergente. Pour conclure à une convergence empiriquement satisfaisante, ces valeurs doivent non seulement atteindre une significativité statistique indiscutable (p < 0,001), mais également afficher une taille d’effet substantielle. Bien qu’aucun seuil absolu ne puisse être fixé de façon rigide compte tenu de la diversité des phénomènes psychologiques, des corrélations monotrait-hétérométhode oscillant entre 0,40 et 0,70 sont généralement considérées comme apportant un soutien probant à l’existence du construit au-delà de l’outil d’évaluation.
Ces valeurs doivent être systématiquement comparées à l’erreur de mesure aléatoire. Si la corrélation entre deux méthodes évaluant un même trait s’avère à peine supérieure au bruit de fond statistique, le chercheur est contraint d’admettre que ses deux instruments ne convergent pas vers le même référant empirique, ce qui frappe d’obsolescence toute tentative d’unification théorique du construit sous une nomenclature univoque.
5.3 Les valeurs hétérotrait-monométhode (HT-1M)
Les coefficients hétérotrait-monométhode sont logés au sein des triangles adjacents à la diagonale principale. Ils représentent la corrélation mesurée entre deux traits théoriquement différents lorsqu’ils sont tous deux quantifiés par une seule et même méthode d’évaluation. On y retrouve typiquement la corrélation entre une échelle évaluant l’anxiété et une échelle évaluant le perfectionnisme, toutes deux administrées sous forme de questionnaire auto-rapporté à choix multiples au cours de la même session d’expérimentation.
Ces cellules constituent l’indicateur fondamental de la force d’attraction exercée par la variance commune de méthode. Dans la majorité des recherches en sciences sociales, ces valeurs tendent à être particulièrement élevées. Cette inflation n’est pas nécessairement le reflet d’une véritable proximité conceptuelle entre les traits, mais résulte bien souvent du fait que l’instrument impose sa propre structure cognitive et stylistique aux réponses du sujet. Un individu ayant une forte tendance à l’auto-flagellation ou à l’exagération de ses symptômes répondra de façon sombre sur l’échelle d’anxiété comme sur l’échelle de perfectionnisme, gonflant artificiellement leur covariance statistique.
Le risque pathologique associé à ces valeurs réside dans le masquage systématique de la spécificité des construits. Lorsque les corrélations hétérotrait-monométhode atteignent des magnitudes comparables ou supérieures aux corrélations de la diagonale de validité, la communauté scientifique se trouve face à une situation d’artefact méthodologique majeur : le moyen d’observation prend le pas sur la réalité psychologique de l’objet observé.
5.4 Les valeurs hétérotrait-hétérométhode (HT-HM)
Les valeurs hétérotrait-hétérométhode occupent les triangles situés de part et d’autre des diagonales de validité au sein des blocs hétérométhodes. Elles mesurent la corrélation existant entre deux traits totalement distincts, évalués chacun par une méthode d’évaluation entièrement différente. Par exemple, ce bloc contiendra la corrélation entre le niveau de dépression mesuré par un auto-questionnaire et le niveau de sociabilité évalué par un test d’observation standardisé en situation d’interaction sociale.
Ces coefficients incarnent le niveau de base théorique le plus pur de la corrélation inter-traits. Puisque les construits sont différents et que les méthodes sont mutuellement indépendantes, ces cellules sont libérées à la fois du lien notionnel qui unirait deux mesures du même trait et de l’inflation artificielle induite par le partage d’une technique d’investigation commune. Elles reflètent la corrélation brute entre les traits telle qu’elle se manifeste dans le monde réel, sans la béquille ni le voile de l’artefact de mesure.
Dès lors, les valeurs HT-HM jouent le rôle d’étalon comparatif fondamental pour attester de la validité discriminante. Si les instruments sont valides, ces coefficients doivent systématiquement afficher les magnitudes les plus faibles de l’ensemble de la matrice MTMM. Si la corrélation entre le trait A mesuré par la méthode 1 et le trait B mesuré par la méthode 2 venait à être excessivement élevée, cela indiquerait que les deux traits partagent une essence théorique commune et qu’ils ne sauraient être considérés comme des dimensions psychologiques autonomes.
6. Les critères d’interprétation et règles heuristiques de Campbell et Fiske (1959)
6.1 Premier critère : La significativité statistique de la validité convergente
Dans leur publication historique de 1959, Donald T. Campbell et Donald W. Fiske ont formulé quatre règles de décision heuristiques pour évaluer la qualité métrologique d’une matrice. La première de ces règles établit l’exigence minimale sans laquelle toute tentative de validation s’effondre : les entrées de la diagonale de validité (les valeurs monotrait-hétérométhode, 1T-HM) doivent être statistiquement différentes de zéro avec un niveau de probabilité très strict, et doivent présenter une taille d’effet substantielle.
Campbell et Fiske insistaient sur le fait que la simple significativité statistique formelle — facilement atteignable dès lors que la taille de l’échantillon (N) devient suffisamment importante — ne saurait suffire. Une corrélation de r = 0,15 peut être statistiquement significative à p < 0,01 dans un échantillon de mille participants, tout en étant psychométriquement dérisoire, puisqu’elle n’explique qu’à peine plus de 2 % de la variance partagée entre les deux méthodes. Les auteurs exigeaient donc une communauté de variance suffisamment robuste pour justifier empiriquement l’affirmation que les deux instruments mesurent bel et bien une réalité psychologique identique.
Le rejet ou l’échec de ce premier critère entraîne des conséquences dévastatrices pour le programme de recherche engagé. Si deux méthodes distinctes échouent à converger substantiellement vers l’attribut visé, le chercheur perd toute légitimité à prétendre que son instrument capte le trait sous-jacent. Il se voit contraint de reconnaître soit que l’un des deux instruments souffre d’un défaut rédhibitoire de construction, soit que la conceptualisation théorique du trait est fondamentalement erronée et doit être remaniée de fond en comble.
6.2 Deuxième critère : Supériorité de la convergence sur la divergence hétérométhode
Le deuxième critère de Campbell et Fiske constitue le premier rempart formel de la validité discriminante. Il stipule que chaque coefficient de validité convergente situé sur la diagonale de validité (1T-HM) doit être strictement supérieur à l’ensemble des valeurs hétérotrait-hétérométhode (HT-HM) situées dans la même ligne et dans la même colonne au sein du bloc hétérométhode correspondant.
Sur le plan logique, cette règle impose que la corrélation d’un trait avec lui-même à travers deux méthodes distinctes surpasse systématiquement la corrélation unissant ce même trait à n’importe quel autre trait différent mesuré par une méthode différente. Prenons l’illustration d’une étude évaluant l’intelligence spatiale (T1) et l’intelligence verbale (T2) au moyen de tests écrits (M1) et d’épreuves orales (M2). La corrélation entre le test écrit d’intelligence spatiale et l’épreuve orale d’intelligence spatologique (1T1-HM) doit impérativement être plus élevée que la corrélation reliant le test écrit d’intelligence spatiale à l’épreuve orale d’intelligence verbale (HT-HM).
Ce critère apporte la validation empirique formelle de l’identité conceptuelle du construit mesuré. Si cette condition n’est pas remplie, cela signifie qu’un instrument corrèle davantage avec un concept tiers qu’avec sa propre réplique méthodologique. Une telle distorsion détruit toute hypothèse d’autonomie conceptuelle et signale une erreur majeure de ciblage métrologique au sein du dispositif d’évaluation.
6.3 Troisième critère : Prédominance du trait sur la méthode
Le troisième critère heuristique est incontestablement le plus rigoureux, le plus exigeant, mais également le plus fréquemment violé dans les études psychologiques empiriques. Il énonce qu’une valeur de la diagonale de validité (monotrait-hétérométhode, 1T-HM) doit impérativement être supérieure à la valeur hétérotrait-monométhode (HT-1M) impliquant le même trait au sein du bloc monométhode adjacent.
La portée théorique de cette règle est décisive : elle exige que l’accord obtenu entre deux méthodes différentes mesurant le même trait soit plus puissant que la corrélation existant entre deux traits totalement distincts mesurés par une méthode identique. En d’autres termes, ce critère impose que la variance attribuable au trait psychologique l’emporte de façon décisive sur la variance induite par l’outil de collecte des données. Le trait doit transcender la méthode au lieu d’être dominé par elle.
Dans la pratique empirique, ce critère est extrêmement difficile à satisfaire lorsque les instruments partagent une modalité d’administration hautement stylistique, comme les questionnaires auto-rapportés. Il est en effet très fréquent que l’anxiété et la dépression évaluées au sein d’un même questionnaire affichent une corrélation de r = 0,70 en raison de la variance commune de méthode, alors que l’accord entre l’auto-questionnaire d’anxiété et une mesure comportementale de l’anxiété ne s’élève qu’à r = 0,45. Dans une telle situation, le troisième critère est nettement violé, ce qui indique que la communauté de méthode pèse plus lourd dans la variance statistique que la signature psychologique du trait lui-même.
6.4 Quatrième critère : Homogénéité des patrons d’intercorrélations
Le quatrième et dernier critère proposé par Campbell et Fiske relève de l’analyse globale de la cohérence interne du réseau nomologique. Il exige que l’on observe la préservation de la même configuration de corrélations entre les traits à travers l’ensemble des blocs de la matrice, qu’il s’agisse des blocs monométhodes ou des blocs hétérométhodes.
Ce critère postule que la nature des relations conceptuelles unissant différents construits psychologiques doit demeurer structurellement invariante, quel que soit le mode d’observation mobilisé pour les étudier. Par exemple, si la théorie prédit que le trait A est très fortement lié au trait B, mais que le trait A n’entretient qu’une relation très ténue avec le trait C, cette hiérarchie relative (rAB > rAC) doit se retrouver fidèlement reproduite dans le triangle monométhode de la méthode 1, dans celui de la méthode 2, ainsi que dans les triangles hétérotraits de l’ensemble des blocs croisés.
L’inspection de la stabilité structurelle de ces configurations offre un diagnostic visuel puissant pour déceler les aberrations factorielles, les anomalies d’échantillonnage ou les interactions indésirables entre certains traits spécifiques et certaines méthodes particulières. Si un trait change radicalement de profil relationnel dès lors qu’il passe d’un format d’auto-évaluation à une mesure comportementale, ce déséquilibre signale que la méthode ne s’est pas bornée à mesurer le trait avec plus ou moins d’erreur, mais en a altéré la signification nomologique profonde.
7. Limites et critiques méthodologiques de l’approche heuristique traditionnelle
7.1 L’absence de quantification rigoureuse des composantes de variance
Bien que les critères d’inspection visuelle formulés par Campbell et Fiske aient constitué une avancée conceptuelle majeure, l’approche heuristique originelle souffre de faiblesses statistiques rédhibitoires qui ont rapidement limité sa portée dans la recherche quantitative contemporaine. La critique primordiale réside dans l’incapacité absolue de l’inspection visuelle à quantifier avec précision et de manière non ambiguë les parts de variance respectives attribuables au trait, à la méthode et à l’erreur de mesure non systématique.
L’analyste qui se contente de scruter une matrice MTMM selon les quatre règles empiriques ne dispose d’aucun indicateur numérique formalisé lui permettant d’affirmer, par exemple, que 55 % de la variance d’un indicateur découle du construit théorique, 30 % provient du biais de méthode, et 15 % relève du bruit résiduel. L’évaluation se résume à une comparaison ordinale de grandeurs relatives, sujette à une part considérable d’arbitraire et de subjectivité. Deux chercheurs examinant la même matrice peuvent facilement diverger sur le diagnostic final si certains critères sont scrupuleusement respectés tandis que d’autres sont marginalement enfreints.
Plus fondamentalement encore, l’approche heuristique ne fournit aucun test statistique omnibus permettant de statuer formellement sur l’adéquation globale des données empiriques au modèle conceptuel sous-jacent. Il est impossible, avec la seule matrice de corrélation de 1959, de calculer un degré de signification globale ou un intervalle de confiance probabiliste permettant de rejeter formellement l’hypothèse nulle d’une contamination méthodologique totale.
7.2 Les effets confondants de la non-fidélité différentielle
Une seconde limite méthodologique majeure découle des effets perturbateurs induits par les disparités de fidélité entre les différentes mesures engagées dans l’analyse. Dans la théorie classique des scores, la corrélation brute observée entre deux variables dépend directement du degré de précision et de consistance interne de chacune d’elles. Or, l’inspection heuristique de Campbell et Fiske repose sur la comparaison directe de coefficients de corrélation d’ordre zéro non corrigés.
Cette vulnérabilité statistique expose le chercheur à des conclusions erronées concernant tant la validité convergente que la validité discriminante. Imaginons une situation où deux méthodes présentent des niveaux de fidélité asymétriques : la méthode 1 affiche une consistance remarquable (alpha = 0,92), tandis que la méthode 2 souffre d’un bruit de mesure considérable (alpha = 0,55). Les corrélations impliquant la méthode 2 vont être massivement et artificiellement atténuées par l’erreur aléatoire. Le chercheur risque alors de conclure à tort à une absence tragique de validité convergente pour un construit, ou à une splendide validité discriminante entre deux traits, alors que cette divergence apparente n’est rien d’autre que le sous-produit mécanique d’une mesure défaillante et imprécise.
Bien qu’il soit théoriquement possible d’appliquer manuellement la formule classique de correction pour atténuation de Spearman, cette démarche s’avère particulièrement périlleuse au sein d’une matrice complexe, car elle aboutit fréquemment à des corrélations sur-corrigées dépassant l’unité statistique (> 1,00), rendant les matrices de variance-covariance empiriques mathématiquement indéterminées ou non positives.
7.3 Le problème de l’interdépendance des observations et de l’échantillonnage
Le troisième angle mort de l’approche traditionnelle concerne la nature statistique des coefficients rassemblés dans une matrice MTMM. Une matrice standard de 3 traits et 3 méthodes comprend 36 corrélations distinctes, toutes calculées à partir du même groupe d’individus. Ces coefficients ne sont en aucune manière des entités statistiques indépendantes les unes des autres : ils présentent des dépendances stochastiques résiduelles complexes et une structure de covariation emboîtée.
Comparer de manière visuelle ou par des tests t de Student univariés si le coefficient r(A1, A2) est statistiquement supérieur au coefficient r(A1, B1) constitue une violation flagrante des postulats d’indépendance de l’inférence statistique. Les procédures de comparaison de corrélations dépendantes issues d’un même échantillon exigent des calculs matriciels complexes qui dépassaient largement les capacités computationnelles de l’époque de Campbell et Fiske. De surcroît, la puissance statistique nécessaire pour attester la supériorité significative d’un coefficient sur un autre s’avère extrêmement sensible à la taille de l’échantillon mobilisé.
Enfin, dès lors que l’on tente d’élargir l’investigation empirique en incluant un nombre substantiel de traits (par exemple 5 ou 6) et de méthodes (4 ou 5), la matrice MTMM se transforme en un labyrinthe numérique titanesque composé de centaines de corrélations croisées. L’esprit humain et l’inspection visuelle se heurtent alors à leurs limites cognitives, rendant l’extraction d’une conclusion synthétique et objective pratiquement impossible sans recours à des modèles mathématiques formalisés de réduction dimensionnelle.
8. L’évolution moderne : Modélisation par équations structurelles (SEM) appliquée au MTMM
8.1 L’introduction de l’analyse factorielle confirmatoire (CFA)
Face aux apories méthodologiques de l’approche par inspection visuelle, la psychométrie a accompli un saut qualitatif majeur au début des années 1970 grâce à l’émergence des modèles d’équations structurelles (Structural Equation Modeling – SEM) et de l’analyse factorielle confirmatoire (CFA). Les contributions pionnières de statisticiens et méthodologistes de premier ordre, au rang desquels figurent Karl Jöreskog et David Kenny, ont permis de transposer les intuitions géniales de Campbell et Fiske dans un cadre mathématique explicite et rigoureux.
L’analyse factorielle confirmatoire aborde la matrice MTMM non plus comme un tableau de coefficients statiques à inspecter, mais comme une structure de variance-covariance empirique engendrée par des variables latentes inobservables. Dans ce formalisme moderne, chaque mesure observée est modélisée mathématiquement comme une fonction linéaire de plusieurs facteurs latents sous-jacents : un facteur de trait représentant la disposition psychologique réelle, un facteur de méthode incarnant l’effet systématique induit par l’instrument d’investigation, et un résidu unique regroupant l’erreur aléatoire de mesure.
Cette décomposition formelle permet de tester l’adéquation globale du modèle théorique aux données réelles au moyen d’indices d’ajustement multivariés universellement reconnus dans la communauté scientifique contemporaine :
- La statistique du chi-carré ($\chi^2$) : Évaluant l’écart global entre la matrice observée et la matrice prédite par le modèle théorique.
- L’erreur quadratique moyenne d’approximation (RMSEA) : Mesurant la divergence par degré de liberté en pénalisant la complexité inutile du modèle.
- Les indices d’ajustement comparatif : Tels que le CFI (Comparative Fit Index) et le TLI (Tucker-Lewis Index), qui comparent l’ajustement du modèle spécifié à celui d’un modèle nul d’indépendance totale.
- La racine carrée moyenne résiduelle standardisée (SRMR) : Quantifiant la magnitude moyenne des résidus de corrélation non expliqués.
Grâce à cette approche, le chercheur peut formellement comparer des modèles théoriques concurrents par le biais du test de différence de chi-carré ($\Delta\chi^2$), permettant de vérifier scientifiquement si l’adjonction de facteurs de méthode spécifiques améliore de manière statistiquement significative la description des données observées.
8.2 Avantages psychométriques majeurs de l’approche confirmatoire
Le passage au paradigme confirmatoire (CFA-MTMM) a transformé radicalement la recherche évaluative en conférant une précision analytique inégalée. Le premier avantage fondamental de cette modélisation réside dans la séparation explicite entre les construits latents et l’erreur de mesure aléatoire. En intégrant un terme de variance unique ($\delta$ ou $epsilon$) pour chaque indicateur empirique, le modèle CFA débarrasse les facteurs de trait et de méthode de leur composante d’atténuation. Les saturations factorielles obtenues représentent ainsi des estimations pures de la relation liant l’observation au construit latent.
De surcroît, la CFA offre la flexibilité indispensable pour tester formellement l’équivalence et l’invariance des mesures à travers différentes conditions. Le chercheur peut contraindre à l’égalité les saturations factorielles d’un trait ou d’une méthode pour vérifier si les instruments fonctionnent avec la même sensibilité et la même métrique à travers les différentes modalités de recueil, une opération totalement hors de portée de l’inspection heuristique de 1959.
Enfin, l’évaluation de la validité discriminante s’émancipe des simples comparaisons ordinales de corrélations de surface. Dans un modèle confirmatoire, le chercheur peut tester rigoureusement l’hypothèse de validité discriminante en fixant la corrélation latente entre deux facteurs de traits à l’unité ($phi = 1,00$). Si le modèle contraint affichant une corrélation parfaite se dégrade de façon statistiquement significative par rapport au modèle libre (attesté par un $\Delta\chi^2$ significatif), on dispose alors d’une preuve probabiliste irréfutable que les deux construits latents ne sont pas identiques et possèdent une existence psychologique différenciée.
8.3 Les défis statistiques et problèmes d’identification dans la CFA-MTMM
En dépit de sa supériorité théorique éclatante, l’application de l’analyse factorielle confirmatoire aux matrices MTMM a révélé dans la pratique une constellation de défis statistiques complexes qui continuent de mobiliser les méthodologistes contemporains. Le principal écueil réside dans la fréquence alarmante des problèmes de non-convergence des algorithmes d’estimation numérique (tels que le maximum de vraisemblance, ML) et l’apparition récurrente de solutions dites inadmissibles.
Ces solutions inadmissibles se manifestent couramment sous la forme de cas de Heywood, c’est-à-dire l’estimation aberrante de variances d’erreur résiduelles négatives, ou de corrélations factorielles dépassant les bornes mathématiques de l’unité (> |1,00|). Ces anomalies statistiques ne signifient évidemment pas que la variance dans le monde réel est négative, mais indiquent que le modèle mathématique spécifié est sous-identifié empiriquement, ou que les algorithmes d’optimisation itérative se sont retrouvés piégés dans un minimum local en raison d’une colinéarité excessive entre les facteurs de trait et les facteurs de méthode.
Ces problèmes de sous-identification et d’instabilité structurelle sont exacerbés par la dépendance critique de ces techniques envers des tailles d’échantillons massives et envers le respect rigoureux des postulats de normalité multivariée. Alors que l’heuristique de Campbell et Fiske pouvait s’appliquer à de modestes cohortes cliniques de 60 à 80 patients, un modèle factoriel MTMM standard exige fréquemment plusieurs centaines de participants pour parvenir à des estimations stables, plaçant de nombreux chercheurs empiriques face à des dilemmes d’instrumentation insolubles.
9. Modèles factoriels spécifiques pour l’analyse MTMM
9.1 Le modèle classique CTCM (Correlated Traits, Correlated Methods)
Le modèle CTCM (Correlated Traits, Correlated Methods) représente la transcription mathématique la plus directe, la plus intuitive et la plus complète du paradigme originel de Campbell et Fiske au sein de l’analyse factorielle confirmatoire. Dans cette spécification, chaque indicateur mesuré sature simultanément sur un facteur latent représentant son trait respectif et sur un facteur latent représentant sa méthode d’évaluation spécifique.
Sur le plan structurel, le modèle CTCM postule une organisation paramétrique très claire :
- Les facteurs de traits sont autorisés à corréler librement entre eux, reflétant le réseau des relations conceptuelles sous-jacentes.
- Les facteurs de méthodes sont également autorisés à corréler librement entre eux, captant la similarité stylistique ou méthodologique reliant certains dispositifs d’évaluation (par exemple la proximité entre deux formats d’hétéro-évaluation par des proches).
- Une contrainte d’orthogonalité stricte et absolue est imposée entre l’ensemble des facteurs de traits et l’ensemble des facteurs de méthodes : aucune covariance n’est admise entre un trait et une méthode.
Bien que le modèle CTCM soit d’une élégance conceptuelle parfaite, il est tristement célèbre dans la littérature psychométrique pour être le modèle le plus instable statistiquement. Dans une proportion substantielle d’études empiriques (dépassant parfois 50 % des applications publiées), le modèle CTCM standard échoue à converger ou aboutit à des estimations de Heywood intolérables. Cette fragilité provient du fait que le modèle impose une décomposition factorielle trop ambitieuse par rapport à l’information empirique réellement contenue dans les matrices de données standard.
9.2 Le modèle CTCU (Correlated Traits, Correlated Uniquenesses)
Pour contourner l’impasse statistique récurrente des cas de Heywood engendrés par le modèle CTCM, Kenny (1976), puis Marsh et Bailey (1991), ont formalisé une spécification alternative pragmatique : le modèle CTCU (Correlated Traits, Correlated Uniquenesses). Dans ce modèle, on conserve la modélisation explicite des facteurs de traits latents, mais on supprime totalement les facteurs latents de méthode.
L’effet perturbateur de la variance de méthode n’est plus capté par des variables latentes communes, mais par l’autorisation systématique de corrélations directes et libres entre les termes d’erreur résiduelle (les « unicités ») des indicateurs qui partagent la même méthode d’évaluation. Ainsi, si trois questionnaires différents sont complétés par la même modalité d’auto-évaluation, la variance stylistique qu’ils partagent est absorbée par les covariances liant leurs résidus statistiques.
Le modèle CTCU présente des avantages opérationnels considérables : il élimine de façon spectaculaire les problèmes d’instabilité numérique, converge avec une fluidité remarquable et évite presque systématiquement l’apparition de variances négatives. Néanmoins, ces commodités statistiques se paient d’un lourd tribut épistémologique. Le postulat fondamental du modèle CTCU assimile intégralement la variance de méthode à de la covariance d’erreur, empêchant toute modélisation de la méthode comme une dimension psychologique substantielle. De plus, il interdit formellement de généraliser la variance de méthode identifiée à de nouveaux instruments qui n’auraient pas été inclus directement dans le protocole expérimental d’origine.
9.3 Le modèle CT-C(M-1) (Correlated Traits, Correlated Methods minus One)
Face aux limites opposées du modèle CTCM (trop instable) et du modèle CTCU (trop réducteur), le statisticien allemand Michael Eid et ses collaborateurs (2000, 2003) ont accompli une percée méthodologique majeure en développant le modèle CT-C(M-1) (Correlated Traits, Correlated Methods minus One). Ce modèle est aujourd’hui considéré par l’avant-garde psychométrique comme la spécification la plus rigoureuse et la plus robuste pour l’analyse des matrices MTMM.
Le fondement théorique du modèle CT-C(M-1) repose sur le constat qu’il est mathématiquement illusoire de vouloir définir tous les facteurs de méthode comme des entités résiduelles symétriques sans point d’ancrage. Le modèle résout les indéterminations statistiques d’identification en exigeant du chercheur qu’il sélectionne délibérément une méthode étalon de référence parmi les M méthodes en présence. Pour cette méthode de base, aucun facteur de méthode n’est spécifié : les facteurs de traits sont donc définis de manière univoque à partir des scores obtenus via cette méthode d’étalonnage privilégiée.
Les facteurs de méthodes restants (au nombre de M-1) sont ensuite intégrés au modèle non plus comme des entités absolues, mais comme des contrastes méthodologiques résiduels directs mesurant la divergence systématique d’une méthode évaluative par rapport à la méthode de référence. Cette architecture supprime radicalement les indéterminations mathématiques et garantit une identification statistique parfaite, tout en offrant une interprétation psychologique limpide. Elle s’avère particulièrement adaptée aux recherches croisant l’auto-évaluation du patient (souvent choisie comme méthode étalon) avec les évaluations formulées par des tiers observateurs (cliniciens, conjoints, pairs).
10. Protocole de mise en œuvre pratique et conception expérimentale d’une étude MTMM
10.1 Sélection rigoureuse des traits psychologiques
La planification réussie d’une étude MTMM commence bien en amont de toute collecte de données, dès la phase de formulation théorique des construits à investiguer. Une conception expérimentale solide exige une sélection minutieuse de traits qui présentent des fondements conceptuels distincts et solidement étayés par la littérature existante. Si les traits sélectionnés au départ sont intrinsèquement trop proches sur le plan sémantique, la matrice sera condamnée d’avance à échouer au test de validité discriminante, sans que l’on puisse déterminer si l’échec est imputable aux instruments ou à la redondance conceptuelle d’origine.
Il est hautement recommandé d’inclure des construits affichant des polarités divergentes ou des relations théoriques asymétriques au sein du réseau nomologique. Par exemple, au lieu de mesurer trois facettes ultra-spécifiques de l’émotivité négative (qui s’effondreront inévitablement en un facteur commun de détresse), le chercheur gagnera à combiner un trait d’affectivité négative, un trait d’affectivité positive et une dimension cognitive ou motivationnelle distincte, telle que le locus de contrôle ou la persévérance.
Sur le plan opérationnel, la règle d’or pour garantir une identification mathématique stable et une inspection visuelle équilibrée réside dans la sélection de 3 à 5 construits clairement délimités. Descendre en dessous de trois traits fragilise la puissance de généralisation du dispositif et empêche la vérification complète du quatrième critère de Campbell et Fiske (la stabilité structurelle des configurations), tandis que dépasser cinq traits alourdit dramatiquement le fardeau expérimental imposé aux participants, augmentant les risques de fatigue cognitive et d’attrition de l’échantillon.
10.2 Choix et diversification des méthodes d’évaluation
L’écueil le plus fréquent et le plus fatal dans la mise en œuvre pratique du protocole MTMM réside dans le piège des « fausses méthodes distinctes ». Nombre de chercheurs néophytes croient à tort diversifier leurs approches en administrant un questionnaire avec une échelle de Likert à 5 points, un second questionnaire avec une échelle visuelle analogique continue, et un troisième questionnaire sous forme d’échelle binaire vrai/faux. De telles variations ne constituent que des modifications superficielles du format d’item et ne brisent en aucun cas la communauté de méthode inhérente à l’auto-évaluation introspective.
Une diversification méthodologique authentique exige une véritable hétérogénéité des canaux d’acquisition de données. Le chercheur doit mobiliser des sources informationnelles qui reposent sur des processus cognitifs et comportementaux radicalement distincts :
- Les mesures auto-rapportées (self-reports) : Captant la phénoménologie interne, le ressenti subjectif et la représentation explicite que l’individu entretient de lui-même.
- Les hétéro-évaluations par des informateurs multiples : Sollicitant le jugement externe d’observateurs privilégiés (conjoints, pairs, collègues de travail, enseignants) qui évaluent le comportement manifesté dans des contextes écologiques spécifiques.
- Les tests de performance maximale et mesures comportementales : Mesurant des temps de réaction, des capacités de résolution de problèmes réelles ou des indices physiologiques objectifs (comme la conductance cutanée ou la variabilité de la fréquence cardiaque).
L’intégration de ces informateurs et technologies multiples immunise l’étude contre les biais de perspective égocentrée et garantit que la convergence observée dans la matrice transcende véritablement le canal perceptif de l’observateur.
10.3 Planification de la collecte et contrôle des biais méthodologiques
Le déroulement pratique de la collecte de données au sein d’une architecture MTMM réclame une logistique expérimentale irréprochable. L’un des risques majeurs réside dans la contamination temporelle et l’effet de report d’un instrument sur l’autre. Si un participant remplit consécutivement et sans pause trois batteries de tests mesurant les mêmes traits sous des formats différents, les réponses fournies au premier test vont inévitablement guider, par souci de cohérence interne ou phénomène d’amorçage cognitif, les réponses données aux instruments subséquents.
Pour neutraliser ce risque d’ancrage, le protocole expérimental doit impérativement instaurer un contrebalancement randomisé de l’ordre de passation des méthodes et des traits auprès de l’échantillon. Cette randomisation garantit que les effets d’apprentissage, d’échauffement ou de lassitude ne se concentrent pas systématiquement sur une méthode spécifique, ce qui biaiserait irréversiblement ses coefficients de corrélation.
Enfin, la planification en amont doit calibrer la taille de l’échantillon avec une rigueur statistique sans faille. Si l’on ambitionne de traiter la matrice par modélisation d’équations structurelles confirmatoires (CFA), les exigences de puissance recommandent d’atteindre un ratio minimal de 10 à 20 participants par paramètre libre à estimer. Pour une matrice MTMM standard 3×3 modélisée selon l’approche confirmatoire, un échantillon minimal de 250 à 400 répondants valides constitue un seuil prudent pour éviter les écueils de non-convergence algorithmique et assurer la robustesse des inférences de validité.
11. Applications empiriques en psychologie, psychiatrie et sciences du comportement
11.1 Évaluation de la personnalité et modèle des Big Five
Le champ de l’évaluation de la personnalité a constitué historiquement le premier et le plus vaste laboratoire d’application pour la matrice MTMM. Le développement et la consolidation du modèle à cinq facteurs (le Big Five : Ouverture, Conscienciosité, Extraversion, Agréabilité, Névrosisme) ont trouvé dans le protocole de Campbell et Fiske leur validation psychométrique la plus décisive, notamment à travers les travaux d’Oliver John et Richard Robins (1993).
En confrontant systématiquement les profils d’auto-évaluation des individus aux jugements portés par leurs proches (conjoints, amis) et aux évaluations formulées par des observateurs anonymes lors de simulations de groupe, les chercheurs ont pu quantifier précisément l’effet d’illusion de cohérence et l’impact de la désirabilité sociale. Les matrices MTMM ont révélé des divergences fascinantes selon la nature des traits évalués : l’Extraversion et la Conscienciosité affichent une validité convergente remarquable entre soi et autrui, car elles s’expriment à travers des comportements moteurs et sociaux hautement observables dans la vie quotidienne.
À l’inverse, l’évaluation du Névrosisme a mis en lumière un poids prépondérant de la variance de méthode subjective. Les tiers ont une propension notable à sous-estimer la détresse émotionnelle interne des individus lorsque ceux-ci maintiennent une façade sociale fonctionnelle. La méthodologie MTMM a permis de démontrer sans équivoque que la distinction entre Névrosisme, Extraversion et Agréabilité n’était pas un simple découpage sémantique artificiel imposé par les théoriciens de la personnalité, mais une partition factorielle robuste capable de résister à la variabilité des points de vue observationnels.
11.2 Psychopathologie clinique et évaluation diagnostique
Dans le domaine de la psychopathologie clinique et du diagnostic psychiatrique, la matrice MTMM a fonctionné comme un instrument critique de purification nosologique. L’un des défis contemporains les plus complexes réside dans la séparation structurelle des syndromes hautement comorbides, tels que les troubles dépressifs majeurs et les troubles anxieux généralisés, ou encore le trouble du déficit de l’attention avec hyperactivité (TDAH) et le trouble oppositionnel avec provocation chez l’enfant.
L’administration conjointe d’entretiens cliniques semi-structurés conduits par des psychiatres chevronnés, de questionnaires auto-rapportés par les patients et de marqueurs comportementaux ou physiologiques a permis de déconstruire les mécanismes de comorbidité artificielle. Bien souvent, la corrélation diagnostique massive observée en clinique entre anxiété et dépression s’est révélée être le produit d’un biais de plainte subjective généralisée du patient, absorbant jusqu’à 40 % de la covariance sous forme de variance de méthode auto-déclarative.
Grâce aux décompositions MTMM, les cliniciens ont pu isoler les symptômes d’anhédonie et de ralentissement psychomoteur comme constituant le noyau discriminatoire exclusif de la dépression, tandis que l’hyperactivité neurovégétative et l’appréhension anxieuse future discriminaient formellement l’anxiété. L’identification rigoureuse de ces parts de variance a profondément influencé les révisions successives des manuels diagnostiques internationaux, notamment le passage aux approches dimensionnelles promues par les critères de domaine de recherche (RDoC – Research Domain Criteria).
11.3 Psychologie organisationnelle et évaluation du rendement au travail
Le monde de l’entreprise et de la psychologie du travail a connu une révolution méthodologique majeure avec l’avènement des systèmes d’évaluation multisources dits « à 360 degrés ». Ces protocoles consistent à évaluer les compétences professionnelles et le leadership d’un collaborateur à travers une convergence de regards croisés : la notation accordée par le cadre supérieur hiérarchique, les jugements émis par les pairs de niveau équivalent, les appréciations des subordonnés directs, et l’auto-évaluation du collaborateur lui-même.
L’application rigoureuse du formalisme MTMM à ces données organisationnelles a permis de déconstruire de nombreuses illusions managériales. Des travaux empiriques d’envergure, à l’image de ceux menés par Lance, Dawson, Birkelbach et Hoffman (2010), ont mis en évidence un fait perturbant : dans la majorité des systèmes d’évaluation professionnelle, la variance liée à la source hiérarchique (la méthode) écrase totalement la variance attribuable aux compétences réelles du travailleur (le trait). Les notes attribuées par un supérieur hiérarchique reflètent souvent davantage son propre style de leadership, ses biais de sévérité ou d’indulgence et la proximité politique qu’il entretient avec le subordonné, que les compétences objectives de ce dernier.
Ces diagnostics statistiques ont conduit à une optimisation profonde des processus de sélection du personnel et de gestion des talents. En mesurant avec précision le poids de ces effets de méthode spécifiques, les psychologues du travail ont appris à pondérer mathématiquement les évaluations multisources afin de neutraliser les halos de notation hiérarchique, garantissant ainsi une méritocratie plus équitable et scientifiquement calibrée.
12. Perspectives contemporaines, développements récents et recommandations psychométriques
12.1 L’intégration du MTMM dans les modèles multiniveaux et longitudinaux
À l’ère du numérique et des technologies mobiles, la psychométrie a franchi les frontières des laboratoires traditionnels pour investir la vie quotidienne des sujets grâce aux protocoles d’évaluation écologique momentanée (EMA – Ecological Momentary Assessment) et au recueil continu de traces numériques par smartphone. Cette avalanche de mesures répétées et contextualisées a rendu indispensable l’hybridation de la méthodologie MTMM avec les modèles de modélisation multiniveaux (MLM) et longitudinaux.
Dans cette architecture avancée, le protocole MTMM permet d’accomplir une dissociation fondamentale entre deux plans d’analyse : d’une part, la variance intra-individuelle dynamique (niveau 1), qui capte les fluctuations momentanées et les états affectifs transitoires du sujet en réponse aux stresseurs de son environnement ; d’autre part, la variance inter-individuelle stable (niveau 2), qui reflète les traits de personnalité structurels et pérennes de la personne. La variance de méthode peut alors être modélisée comme intervenant à la fois au niveau macroscopique (différences systématiques entre instruments sur le long terme) et au niveau microscopique (sensibilité différentielle d’un capteur numérique ou d’une notification selon le moment de la journée).
De surcroît, les extensions longitudinales permettent d’évaluer formellement l’invariance temporelle des effets de méthode à travers des devis à mesures répétées. Les chercheurs peuvent désormais déterminer si le biais d’un observateur ou la variance de méthode commune d’un questionnaire reste constant au fil des semaines, ou s’il se dégrade sous l’effet de l’accoutumance cognitive, garantissant ainsi que l’évolution temporelle constatée chez des patients en thérapie traduit un véritable progrès clinique plutôt qu’une modification progressive du style de réponse.
12.2 Approches bayésiennes pour surmonter les limites d’estimation
L’une des avancées les plus prometteuses des deux dernières décennies pour l’analyse MTMM réside dans l’intégration massive des méthodes d’estimation bayésiennes (Muthén & Asparouhov, 2012). Les approches bayésiennes se sont imposées comme le remède ultime aux pathologies d’estimation récurrentes qui entravaient traditionnellement l’analyse factorielle confirmatoire fréquentiste standard.
En mobilisant des algorithmes de chaîne de Markov de Monte-Carlo (MCMC), l’analyste n’est plus contraint de maximiser une fonction de vraisemblance statique susceptible de s’effondrer sur des variances d’erreur résiduelles négatives. L’utilisation de distributions a priori informatives ou faiblement informatives (priors) permet de borner naturellement les paramètres dans des domaines mathématiquement admissibles, neutralisant définitivement l’apparition des cas de Heywood et stabilisant des modèles autrefois considérés comme impossibles à faire converger.
Cette flexibilité bayésienne ouvre des horizons inédits pour les recherches menées sur de petits échantillons, particulièrement fréquentes en neuropsychologie clinique, en imagerie cérébrale ou dans l’étude des pathologies psychiatriques rares, où la collecte de centaines de participants est matériallement irréalisable. Les approches bayésiennes permettent d’estimer avec une grande fidélité la complexité matricielle MTMM tout en fournissant des distributions de probabilité a posteriori explicites pour chaque composante de variance de trait et de méthode.
12.3 Guide synthétique de bonnes pratiques pour les chercheurs contemporains
À la lumière de six décennies de développements théoriques, statistiques et computationnels, la communauté psychométrique internationale s’accorde aujourd’hui sur un ensemble de recommandations méthodologiques claires à l’attention des chercheurs désireux d’implémenter la matrice MTMM dans leurs travaux empiriques. Ce protocole séquentiel peut être synthétisé en trois étapes fondamentales :
En premier lieu, une vérification préalable indispensable des propriétés univariées et multivariées des données brutes doit être menée avec la plus grande rigueur. Avant toute tentative de modélisation complexe, le chercheur doit examiner la normalité distributionnelle de ses indicateurs, traiter minutieusement les données manquantes au moyen d’imputations multiples ou d’algorithmes FIML (Full Information Maximum Likelihood), et vérifier l’absence d’effets de plancher ou de plafond sévères susceptibles de distordre les matrices de covariance.
En second lieu, la stratégie d’analyse séquentielle recommandée préconise de ne jamais sauter directement aux modèles factoriels sans avoir procédé à une inspection heuristique préalable minutieuse selon les principes fondamentaux de Campbell et Fiske (1959). L’analyse visuelle des patrons de corrélation bruts offre un premier contact essentiel avec la structure écologique des données. Dans un second temps, le passage à la modélisation formelle privilégiera l’approche confirmatoire CT-C(M-1) avec le choix réfléchi d’une méthode étalon théoriquement justifiable, en réservant les modèles CTCU ou les estimations bayésiennes aux situations où des contraintes d’identification insolubles se manifesteraient.
Enfin, la transparence totale dans le rapportage scientifique s’impose comme une exigence déontologique absolue. Les auteurs d’articles empiriques doivent systématiquement publier l’intégralité de leur matrice de corrélation MTMM, incluant les diagonales de fidélité entre parenthèses, ainsi que les tables détaillées des saturations factorielles et des décompositions de variance. Ce n’est qu’au prix d’une telle clarté méthodologique que la psychologie et les sciences du comportement parviendront à consolider la reproductibilité de leurs construits et à bâtir un édifice scientifique résistant à l’épreuve du temps.
Références
- Campbell, D. T., & Fiske, D. W. (1959). Convergent and discriminant validation by the multitrait-multimethod matrix. Psychological Bulletin, 56(2), 81–105. https://doi.org/10.1037/h0046016
- Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/bf02310555
- Cronbach, L. J., & Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52(4), 281–302. https://doi.org/10.1037/h0040957
- Eid, M. (2000). A multitrait-multimethod model with freely estimated blanks. Psychological Methods, 5(1), 3–18. https://doi.org/10.1037/1082-989X.5.1.3
- Eid, M., Lischetzke, T., Nussbeck, F. W., & Trierweiler, L. I. (2003). Separating trait effects from method effects in multitrait-multimethod models: An integrated perspective. Psychological Methods, 8(1), 38–60. https://doi.org/10.1037/1082-989X.8.1.38
- Fiske, D. W. (1982). Convergent-discriminant validation in measurements and research strategies. In D. Brinberg & L. H. Kidder (Eds.), Forms of validity in research (pp. 77–92). Jossey-Bass.
- John, O. P., & Robins, R. W. (1993). Determinants of interjudge agreement on personality traits: The Big Five domains, observability, and evaluativeness. Journal of Personality and Social Psychology, 65(3), 521–535. https://doi.org/10.1037/0022-3514.65.3.521
- Jöreskog, K. G. (1971). Statistical analysis of sets of congeneric tests. Psychometrika, 36(2), 109–135. https://doi.org/10.1007/bf02302083
- Kenny, D. A. (1976). An empirical application of confirmatory factor analysis to the multitrait-multimethod matrix. Journal of Experimental Social Psychology, 12(3), 247–252. https://doi.org/10.1016/0022-1031(76)90056-0
- Lance, C. E., Dawson, B., Birkelbach, D., & Hoffman, B. J. (2010). Method effects, measurement error, and substantive conclusions. Organizational Research Methods, 13(3), 435–455. https://doi.org/10.1177/1094428109352528
- Marsh, H. W., & Bailey, M. (1991). Confirmatory factor analyses of multitrait-multimethod data: A comparison of alternative models. Applied Psychological Measurement, 15(1), 47–70. https://doi.org/10.1177/014662169101500106
- Muthén, B., & Asparouhov, T. (2012). Bayesian structural equation modeling: A more flexible representation of substantive theory. Psychological Methods, 17(3), 313–335. https://doi.org/10.1037/a0026804
- Podsakoff, P. M., MacKenzie, S. B., Lee, J. Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879
- Shrout, P. E., & Lane, S. P. (2012). Psychometrics. In H. Cooper, P. M. Camic, D. L. Long, A. T. Panter, D. Rindskopf, & K. J. Sher (Eds.), APA handbook of research methods in psychology, Vol. 1. Foundations, planning, measures, and psychometrics (pp. 301–321). American Psychological Association. https://doi.org/10.1037/13619-018
- Stone, A. A., & Shiffman, S. (1994). Ecological momentary assessment (EMA) in behavorial medicine. Annals of Behavioral Medicine, 16(3), 199–202. https://doi.org/10.1093/abm/16.3.199