Karl Jöreskog – 1935 à présent

Biographie

L’histoire de la psychométrie et de la modélisation statistique appliquée aux sciences humaines a connu, au cours du vingtième siècle, une mutation paradigmatique comparable à l’introduction du calcul différentiel dans la physique classique. Au cœur de cette révolution conceptuelle se trouve la figure monumentale de Karl Gustav Jöreskog, statisticien et psychométricien suédois né en 1935. Avant ses travaux séminaux de la fin des années 1960 et du début des années 1970, l’investigation empirique des phénomènes psychologiques et sociaux oscillait perpétuellement entre deux écueils méthodologiques : d’une part, une analyse factorielle descriptive purement exploratoire, héritée des travaux de Charles Spearman et Louis Leon Thurstone, incapable d’éprouver formellement des hypothèses déductives ; d’autre part, une régression économétrique classique qui présumait irréalistement que les variables observées étaient exemptes de toute erreur de mesure. En unifiant ces deux traditions au sein d’une synthèse mathématique d’une rare élégance, Jöreskog a transformé l’échafaudage épistémologique des sciences du comportement.

Le génie singulier de Karl Jöreskog réside dans sa capacité à avoir formalisé, estimé et popularisé la modélisation par équations structurelles (couramment désignée par l’acronyme anglais SEM pour Structural Equation Modeling) et l’analyse factorielle confirmatoire (AFC). À travers la conception de l’architecture algorithmique et logicielle de LISREL (Linear Structural Relations), menée en étroite synergie avec son collaborateur Dag Sörbom, il a fourni à la communauté scientifique internationale un instrument analytique d’une puissance inédite. Pour la première fois dans l’histoire des sciences sociales, il devenait possible de postuler des construits théoriques inobservables — qu’il s’agisse de l’intelligence générale, de l’anxiété, de l’aliénation sociale ou de la satisfaction au travail —, de spécifier explicitement leurs relations structurelles causales tout en modélisant, quantifiant et isolant l’erreur de mesure propre aux indicateurs empiriques manifestes.

Ce texte magistral retrace en détail la trajectoire intellectuelle, la production scientifique et l’héritage pérenne de Karl Jöreskog, depuis ses origines familiales dans la Suède provinciale de l’entre-deux-guerres jusqu’aux applications contemporaines de ses matrices algorithmiques dans l’apprentissage automatique et la science des données massives. Parcourir son œuvre, c’est explorer la façon dont la rigueur de l’école statistique scandinave a fertilisé la psychologie différentielle, la sociologie quantitative et l’économétrie, instaurant une métrologie du non-observable qui demeure, aujourd’hui encore, le standard fondamental de l’investigation empirique dans les sciences de l’esprit et de la société.

1. Introduction biographique et genèse d’une vocation méthodologique (1935 et premières années)

1.1 Origines familiales, enfance et premier environnement intellectuel en Suède

Karl Gustav Jöreskog voit le jour le 25 avril 1935 à Åmål, une petite ville côtière située sur la rive occidentale du lac Vänern, dans la province suédoise de Dalsland. La Suède des années 1930 traverse alors une période de transformation socio-économique profonde, marquée par l’instauration progressive du modèle d’État-providence scandinave (le Folkhemmet) sous l’égide du Parti social-démocrate, tout en préservant une neutralité politique vigilante dans une Europe tourmentée par les périls de l’entre-deux-guerres. L’environnement provincial d’Åmål, caractérisé par un mode de vie austère, laborieux et profondément attaché aux valeurs luthériennes d’intégrité intellectuelle et d’effort persistant, forge la personnalité du jeune Karl. Dès son plus jeune âge, il manifeste une curiosité méticuleuse pour les structures logiques et une aversion instinctive pour l’approximation narrative, penchant spontanément vers les sciences exactes et le raisonnement formel.

Le système éducatif suédois de l’époque, réputé pour son exigence académique et son égalitarisme méritocratique, offre au jeune Jöreskog un terreau idéal pour développer ses dispositions innées. Au cours de ses études secondaires, ses professeurs remarquent très tôt sa facilité déconcertante à manier l’abstraction algébrique et la géométrie euclidienne. Loin de s’enfermer dans un isolement spéculatif, l’adolescent développe une discipline de travail quotidienne qui deviendra sa marque de fabrique tout au long de sa carrière professorale. La rigueur analytique qu’il cultive alors n’est pas une simple compétence technique ; elle constitue une véritable éthique intellectuelle. Dans un pays qui valorise l’ingénierie civile, la physique appliquée et les sciences naturelles pour moderniser ses infrastructures, le jeune homme prend conscience du pouvoir transformateur des mathématiques sur le monde empirique.

Le climat scientifique suédois de l’après-seconde guerre mondiale se distingue par un essor fulgurant des disciplines quantitatives. La Suède, ayant été épargnée par les destructions matérielles du conflit planétaire, dispose d’institutions universitaires intactes, florissantes et dotées de moyens financiers substantiels. L’État encourage vigoureusement la recherche fondamentale, perçue comme le moteur indispensable de la reconstruction industrielle et du progrès social. Cet écosystème académique favorise l’éclosion d’une communauté de chercheurs brillants qui s’efforcent d’appliquer les outils statistiques les plus sophistiqués aux problèmes industriels, démographiques et biomédicaux. C’est dans cette atmosphère stimulante, où la recherche quantitative jouit d’une considération sociale et institutionnelle maximale, que Jöreskog achève son parcours scolaire et se prépare à rejoindre les bancs de l’enseignement supérieur.

1.2 Entrée à l’Université d’Uppsala et découverte des mathématiques appliquées

Au milieu des années 1950, Karl Jöreskog franchit les portes vénérables de l’Université d’Uppsala, la plus ancienne institution universitaire de Scandinavie, fondée en 1477. Imprégnée des traditions d’illustres figures scientifiques telles que Carl von Linné et Anders Celsius, l’université offre un cadre intellectuel à la fois exigeant et prestigieux. Initialement, les inclinations de Jöreskog l’orientent vers un cursus résolument classique en mathématiques pures et en physique théorique. Il s’immerge avec passion dans la théorie des fonctions d’une variable complexe, l’algèbre linéaire avancée, le calcul différentiel matriciel et la mécanique analytique. Ces fondations mathématiques de premier ordre lui confèrent une dextérité opératoire et une aisance avec la manipulation des espaces vectoriels multidimensionnels qui s’avéreront déterminantes pour ses futures découvertes méthodologiques.

Néanmoins, au fil de son cursus universitaire, une transition conceptuelle s’opère progressivement dans son esprit. Bien que fasciné par la pureté formelle des axiomes mathématiques abstraits, Jöreskog ressent le besoin impérieux de confronter cette puissance déductive aux rugosités du monde réel. C’est la découverte de la statistique mathématique qui va opérer ce décentrement fondamental. Il comprend que la statistique n’est pas un catalogue subalterne de recettes de calcul, mais une branche majeure de l’épistémologie appliquée, dédiée à l’extraction de lois invariantes au cœur du chaos stochastique. L’étude des probabilités, de la théorie de l’échantillonnage et de la théorie de l’estimation le captive profondément. Les mathématiques cessent d’être une fin en soi pour devenir l’instrument privilégié de l’inférence scientifique.

Durant cette même période, Jöreskog entre en contact fortuit avec des chercheurs de la faculté des sciences sociales d’Uppsala, confrontés à des problèmes de mesure particulièrement complexes. Il observe avec stupeur le fossé béant qui sépare l’extrême sophistication théorique des sciences exactes de l’indigence méthodologique régnant dans l’analyse des données humaines. Les sociologues et les psychologues collectent des corpus imposants de réponses à des questionnaires ou des tests psychologiques, mais se trouvent démunis d’outils statistiques capables de traiter rigoureusement des grandeurs inaccessibles à l’observation sensorielle directe. Cette prise de contact constitue pour lui une révélation : il existe un territoire méthodologique en friche, où la statistique mathématique la plus rigoureuse pourrait apporter une contribution décisive pour élever la scientificité des sciences humaines.

1.3 Rencontre déterminante avec la psychométrie naissante

L’immersion de Jöreskog dans la littérature internationale le confronte rapidement aux productions de l’école psychométrique anglo-saxonne. Depuis le début du vingtième siècle, sous l’impulsion initiale de Charles Spearman, de Godfrey Thomson et de Cyril Burt au Royaume-Uni, puis de Louis Leon Thurstone aux États-Unis, la psychologie tentait désespérément de s’extirper de la subjectivité spéculative en inventant l’analyse factorielle. Les publications de Thurstone, en particulier The Vectors of Mind (1935) et Multiple-Factor Analysis (1947), circulent dans les séminaires d’Uppsala. Jöreskog étudie avec minutie ces tentatives d’isoler des « aptitudes mentales primaires » par la décomposition algébrique des corrélations entre tests intellectuels.

Cependant, le regard affûté du mathématicien suédois repère immédiatement les failles méthodologiques criantes qui minent l’édifice psychométrique de l’époque. L’analyse factorielle telle qu’elle est pratiquée repose sur des procédures d’extraction géométriques largement heuristiques, dominées par la méthode des centroïdes de Thurstone ou l’analyse en composantes principales de Harold Hotelling. Plus grave encore, la discipline est embourbée dans l’arbitraire complet des méthodes de rotation factorielle (qu’elles soient orthogonales comme Varimax ou obliques comme Promax), où le chercheur tente d’ajuster visuellement des axes factoriels pour atteindre une illusoire « structure simple ». Il n’existe alors aucun modèle probabiliste formel sous-jacent, aucun test statistique d’adéquation globale, aucune estimation des erreurs-types des paramètres estimés, et aucune possibilité d’imposer des contraintes motivées par la théorie psychologique.

Face à ce constat alarmant, Jöreskog prend la décision de consacrer sa trajectoire de recherche doctorale à la refondation formelle des modèles de mesure en sciences humaines. Il refuse d’accepter que la psychologie soit condamnée à employer des méthodes statistiques purement exploratoires et descriptives, condamnées au règne de la subjectivité de l’analyste. Son ambition devient claire et inflexible : il s’agit d’appliquer les principes les plus exigeants de la statistique mathématique moderne — en particulier les théorèmes d’estimation par le maximum de vraisemblance formulés par Ronald Fisher — à l’architecture des variables latentes inobservables. C’est l’acte de naissance de son programme de recherche, qui allait occuper les quatre décennies suivantes.

2. Formation doctorale et influences théoriques fondamentales à Uppsala

2.1 Le mentorat d’Herman Wold et l’héritage de l’école statistique suédoise

Pour mener à bien son entreprise intellectuelle, Karl Jöreskog intègre le département de statistique de l’Université d’Uppsala, placé sous la direction d’une figure tutélaire de la statistique européenne : Herman Wold. Successeur du grand Harald Cramér dans la lignée prestigieuse de l’école statistique suédoise, Wold s’est rendu célèbre dans les années 1930 par son théorème fondamental de décomposition des séries temporelles stationnaires (le théorème de Wold), avant de s’intéresser passionnément à l’économétrie, à l’analyse de la demande et à la modélisation causale dans les systèmes complexes. L’interaction entre le maître établi et le brillant doctorant s’avère féconde, intense et marquée par une profonde émulation intellectuelle mutuelle.

Wold inculque à Jöreskog une vision philosophique fondamentale : la statistique n’a pas seulement pour objet la réduction phénoménologique de l’information empirique, mais la compréhension des chaînes causales qui régissent la réalité naturelle et sociale. Toutefois, une divergence méthodologique constructive et durable émerge rapidement entre les deux hommes. Herman Wold se montre sceptique à l’égard des modèles paramétriques fondés sur des distributions de probabilité multivariées strictes, préférant une approche non paramétrique, itérative, axée sur la prédiction pure et minimisant les sommes de carrés de résidus : ce sera la genèse de l’approche Partial Least Squares (PLS) ou modélisation par les moindres carrés partiels. Wold privilégie les algorithmes à convergence rapide basés sur des régressions itératives sans hypothèse distributionnelle.

À l’inverse, Karl Jöreskog demeure viscéralement attaché à l’idéal de l’inférence statistique formelle au sens de Fisher, Neyman et Pearson. Pour lui, la modélisation ne peut faire l’économie d’une fonction de vraisemblance rigoureusement explicitée, d’une hypothèse sur la loi de distribution génératrice des données (telle que la loi normale multivariée) et de l’évaluation rigoureuse de la covariance entre variables latentes. Alors que Wold s’engage dans la voie des moindres carrés partiels orientés vers la variance expliquée, Jöreskog choisit d’explorer sans relâche la modélisation des structures de covariance (covariance structure analysis). Cette saine divergence théorique, loin de détruire leur estime réciproque, pousse Jöreskog à développer une argumentation mathématique inattaquable pour soutenir son approche basée sur le maximum de vraisemblance.

2.2 La thèse de doctorat de 1963 : Analyse factorielle statistique

L’aboutissement de cette intense maturation intellectuelle intervient en 1963, lorsque Karl Jöreskog soutient à l’Université d’Uppsala sa thèse de doctorat d’État intitulée Statistical Estimation in Factor Analysis: A New Approach and Its Numerical Implementation. Cette thèse marque une rupture épistémologique majeure dans l’histoire de la discipline. Pour la première fois, l’analyse factorielle est extraite de son statut d’artisanat géométrique et descriptif pour être érigée en un modèle probabiliste rigoureux relevant de la statistique mathématique déductive.

S’appuyant sur les travaux précurseurs mais demeurés largement inapplicables de D. N. Lawley (1940), qui avait esquissé les équations du maximum de vraisemblance pour l’analyse factorielle sans parvenir à concevoir un algorithme numérique capable de les résoudre de manière stable, Jöreskog relève le défi computationnel. Il reformule le problème d’optimisation non linéaire sous-jacent, surmonte le fléau des matrices d’information singulières et propose une méthode numérique originale qui garantit la convergence de l’estimation des saturations factorielles et des variances spécifiques (unicités). La thèse démontre comment évaluer formellement, par un test de rapport de vraisemblance asympotiquement distribué selon une loi du khi-carré, l’hypothèse selon laquelle un nombre donné de facteurs communs suffit à reproduire fidèlement la matrice de covariance empirique observée.

La soutenance de thèse fait l’effet d’une déflagration intellectuelle au sein de la communauté internationale des psychométriciens et des statisticiens. Des personnalités éminentes des deux côtés de l’Atlantique saluent un coup de maître. Jöreskog publie immédiatement des extraits remaniés de ses résultats dans des revues d’élite comme Psychometrika. À seulement vingt-huit ans, le jeune chercheur suédois vient de résoudre un problème théorique et algorithmique qui tenait en échec la psychométrie depuis près d’un quart de siècle. Il est désormais reconnu comme l’un des esprits les plus novateurs de la modélisation statistique mondiale.

2.3 Séjours de recherche aux États-Unis et collaborations fondatrices

L’impact mondial de sa thèse ouvre immédiatement à Karl Jöreskog les portes des plus prestigieuses institutions de recherche nord-américaines. Dès 1964, il est invité à effectuer des séjours de recherche postdoctoraux prolongés au sein de la Mecque de la mesure psychologique mondiale : l’Educational Testing Service (ETS) situé à Princeton, dans le New Jersey. L’ETS constitue alors un biotope intellectuel sans équivalent sur la planète, concentrant des moyens informatiques exceptionnels pour l’époque et abritant les plus brillants théoriciens des tests standardisés, tels que Frederic M. Lord et Melvin R. Novick.

L’immersion dans le milieu de Princeton expose Jöreskog aux immenses défis pratiques posés par l’évaluation psychologique et pédagogique à grande échelle (notamment les tests SAT et GRE administrés à des millions de candidats). Il collabore activement avec Frederic Lord, pionnier absolu de la théorie de la réponse à l’item (Item Response Theory ou IRT). Leurs échanges portent sur la complémentarité entre la modélisation au niveau des items discrets et l’analyse factorielle des scores agrégés. Lord et Novick travaillent alors à la rédaction de leur opus magnum, Statistical Theories of Mental Test Scores (publié en 1968), auquel Jöreskog apporte d’importantes contributions méthodologiques, notamment sur la théorie des tests parallèles, tau-équivalents et congénériques.

Ces années américaines permettent également à Jöreskog d’accéder aux calculateurs électroniques les plus performants du monde, tels que les ordinateurs centraux IBM 7090 puis IBM 360. Il comprend très vite qu’une découverte statistique mathématique est vouée à l’oubli si elle ne s’incarne pas dans un programme informatique robuste, portable et capable d’exécuter des calculs matriciels itératifs complexes en un temps raisonnable. C’est à Princeton que mûrissent ses réflexions sur l’automatisation informatique de l’inférence statistique. Jöreskog s’affirme non seulement comme un théoricien d’exception, mais comme un programmeur algorithmique méticuleux, capable de traduire les abstractions du calcul matriciel en lignes de code FORTRAN hautement optimisées.

3. De l’analyse factorielle exploratoire à l’analyse factorielle confirmatoire (AFC)

3.1 Les limites structurelles de l’analyse factorielle exploratoire traditionnelle

L’analyse factorielle exploratoire (AFE), telle qu’elle était universellement pratiquée jusqu’à la fin des années 1960, souffrait de tares méthodologiques rédhibitoires que la communauté scientifique acceptait par résignation technique. Le problème fondamental résidait dans l’indétermination mathématique inhérente à la rotation des axes factoriels. Dès lors qu’un modèle à plusieurs facteurs était extrait, il existait une infinité de transformations linéaires des matrices de saturation qui reproduisaient exactement la même matrice de covariance observée. Les critères géométriques introduits pour lever cette indétermination — qu’il s’agisse de la rotation orthogonale Varimax de Kaiser, de la rotation Quartimax, ou des rotations obliques telles qu’Oblimin ou Promax — reposaient sur des critères algorithmiques purement empiriques et arbitraires d’optimisation de la variance des carrés des saturations.

Cette indétermination ouvrait la porte à une subjectivité dommageable dans l’interprétation des données psychologiques. Deux chercheurs analysant le même tableau de données pouvaient, selon la méthode de rotation choisie ou l’angle de projection adopté, proposer des interprétations substantiellement contradictoires de la structure sous-jacente de l’esprit humain. De surcroît, l’AFE imposait une contrainte totalement irréaliste et paradoxale : chaque variable observée était supposée être saturée (c’est-à-dire influencée) par tous les facteurs latents extraits, même si ces saturations secondaires étaient numériquement faibles. Le chercheur était donc contraint d’accepter une prolifération de paramètres non théoriques, transformant l’analyse en une opération d’induction phénoménologique non falsifiable.

Plus dommageable encore était l’incapacité absolue de l’analyse exploratoire à tester formellement des hypothèses déductives formulées a priori. Si un psychologue de la personnalité développait une théorie stipulant rigoureusement qu’un construit théorique donné (par exemple, le névrosisme) ne devait être mesuré que par une série spécifique de six items, à l’exclusion stricte de toute saturation sur le facteur d’extraversion, l’AFE ne disposait d’aucun mécanisme formel pour fixer à zéro les saturations non pertinentes et vérifier si les données corroboreraient cette restriction. Les artefacts d’échantillonnage étaient systématiquement réifiés en « découvertes empiriques », conduisant la psychométrie dans une impasse méthodologique majeure.

3.2 Formulation théorique de l’analyse factorielle confirmatoire (1969)

En 1969, Karl Jöreskog fait paraître dans Psychometrika un article qui va révolutionner de fond en comble la psychométrie moderne : A General Approach to Confirmatory Maximum Likelihood Factor Analysis. Par cet écrit fondateur, Jöreskog introduit pour la première fois le concept et le cadre mathématique achevé de l’analyse factorielle confirmatoire (AFC). La révolution conceptuelle est radicale : au lieu de laisser l’ordinateur extraire aveuglément des dimensions mathématiques orthogonales puis tenter de les faire pivoter a posteriori, le chercheur doit désormais inverser le paradigme en spécifiant formellement son modèle avant toute estimation empirique.

Dans le modèle de mesure de Jöreskog, le vecteur des variables manifestes $x$ de dimension $p \times 1$ est relié à un vecteur de variables latentes $xi$ (ksi) de dimension $k \times 1$ par l’équation matricielle fondamentale :

$$x = \Lambda_x \xi + \delta$$

où $\Lambda_x$ (Lambda) est la matrice des saturations factorielles de dimension $p \times k$, et $\delta$ (delta) est le vecteur des erreurs de mesure ou facteurs spécifiques de dimension $p \times 1$. La matrice théorique de variance-covariance de la population, notée $\Sigma(\theta)$, s’exprime alors avec une élégance souveraine par la formule :

$$\Sigma(\theta) = \Lambda_x \Phi \Lambda_x’ + \Theta_\delta$$

où $Phi$ (Phi) est la matrice de variance-covariance des facteurs latents (de dimension $k \times k$), $\Theta_\delta$ (Thêta-delta) est la matrice de variance-covariance des erreurs de mesure (généralement diagonale, de dimension $p \times p$, bien que Jöreskog ait prévu la possibilité fondamentale d’y autoriser des covariances d’erreurs non nulles), et le symbole prime dénote la transposition matricielle.

Le tour de force de Jöreskog réside dans la classification rigoureuse des paramètres de ce modèle en trois catégories distinctes : les paramètres fixés (dont la valeur est assignée a priori par la théorie, par exemple fixés à zéro pour interdire à un item de saturer sur un facteur, ou fixés à un pour assigner une métrique d’échelle à une variable latente), les paramètres contraints (posés comme égaux entre eux pour tester, par exemple, l’équivalence stochastique de deux mesures), et les paramètres libres (estimés par optimisation mathématique à partir des données). En minimisant la fonction de divergence du maximum de vraisemblance, Jöreskog permet de calculer la valeur du ratio de vraisemblance, transformable directement en une statistique de test du khi-carré ($\chi^2$), avec un nombre de degrés de liberté précisément déterminé par la formule :

$$ddl = \frac{p(p+1)}{2} – q$$

où $q$ représente le nombre total de paramètres libres effectivement estimés dans le modèle. Pour la première fois dans l’histoire, des théories psychologiques concurrentes (par exemple, le modèle d’intelligence unitaire de Spearman contre le modèle multifactoriel de Thurstone) peuvent être formellement confrontées par des tests statistiques rigoureux d’emboîtement de modèles.

3.3 Implications épistémologiques du passage de l’exploration à la confirmation

Le passage de l’analyse exploratoire à l’analyse confirmatoire dépasse largement le cadre d’un simple perfectionnement technique : il s’agit d’une véritable mutation épistémologique. En imposant aux chercheurs la formulation d’un modèle structurel déductif explicite avant toute confrontation aux données de terrain, l’AFC aligne enfin la psychométrie sur les standards de la méthode scientifique hypothético-déductive, théorisée notamment par Karl Popper. Les chercheurs ne peuvent plus se contenter d’errer dans leurs matrices de données à la recherche de régularités fortuites ; ils doivent théoriser la structure de leurs construits, expliciter la nature de leurs indicateurs et risquer leur modèle à l’épreuve de la réfutation empirique.

Cette approche introduit une distinction conceptuelle fondamentale entre le modèle de mesure théorique — qui postule la façon dont des attributs mentaux inobservables génèrent causalement les réponses observées — et les fluctuations d’échantillonnage. En isolant de manière analytique et systématique la variance attribuable à l’erreur de mesure aléatoire ou systématique ($\Theta_\delta$), Jöreskog résout l’une des apories historiques de la psychométrie : l’atténuation des corrélations causée par le manque de fidélité des instruments empiriques. Les relations entre facteurs latents au sein de la matrice $Phi$ sont désormais estimées comme étant complètement purifiées des distorsions induites par le bruit de mesure.

Enfin, l’AFC fournit le cadre mathématique universel qui manquait aux théories de la validité de construit, conceptualisées qualitativement par Cronbach et Meehl en 1955, puis opérationnalisées par Donald Campbell et Donald Fiske en 1959 à travers la célèbre matrice multi-traits multi-méthodes (MTMM). Grâce à la formulation de Jöreskog, l’analyse des matrices MTMM cesse d’être une lecture intuitive et subjective de coefficients de corrélation croisés pour devenir un modèle factoriel confirmatoire explicite, où la variance de chaque item est formellement partitionnée entre la variance du trait psychologique d’intérêt, la variance de la méthode de collecte employée, et l’erreur résiduelle aléatoire. La métrologie des sciences humaines acquiert ainsi ses lettres de noblesse scientifique.

4. La révolution LISREL : Conception et formalisation mathématique

4.1 Genèse du cadre LISREL (Linear Structural Relations)

Non content d’avoir révolutionné l’analyse factorielle, Karl Jöreskog comprend au tout début des années 1970 qu’une étape supplémentaire, encore plus ambitieuse, doit être franchie. L’analyse factorielle confirmatoire ne s’intéresse qu’au modèle de mesure reliant des indicateurs à des facteurs latents et aux covariances non dirigées entre ces facteurs. Or, la majorité des théories élaborées en sociologie, en psychologie sociale et en économie ne se contentent pas de postuler des corrélations symétriques : elles affirment l’existence de réseaux de causalité asymétrique, de processus séquentiels, de chaînes médiatrices et de boucles de rétroaction entre des variables inobservables.

D’un autre côté, l’économétrie avait développé depuis les travaux de la Cowles Commission des modèles d’équations structurelles simultanées sophistiqués, mais en posant l’hypothèse réductrice et intenable que toutes les variables étaient observées sans la moindre erreur de mesure. Jöreskog réalise alors une synthèse conceptuelle de génie : fusionner l’analyse factorielle issue de la psychométrie et les équations simultanées issues de l’économétrie en un méta-modèle statistique universel unifié. C’est la genèse du modèle LISREL (acronyme de Linear Structural Relations).

Pour matérialiser cette vision colossale, Karl Jöreskog s’associe étroitement à un jeune mathématicien et statisticien suédois d’un talent exceptionnel : Dag Sörbom. Sörbom, qui deviendra son plus proche collaborateur pendant plus de trois décennies, apporte une maîtrise virtuose de l’optimisation numérique, de l’algèbre des dérivées partielles et de l’ingénierie logicielle. Ensemble, ils conçoivent non seulement les équations théoriques du cadre matriciel général, mais développent de toutes pièces le logiciel éponyme LISREL, dont la première version opérationnelle est diffusée en 1973. Cette publication conjointe marque l’entrée définitive des sciences sociales empiriques dans l’ère computationnelle moderne.

4.2 L’architecture mathématique du modèle LISREL

L’architecture mathématique du cadre LISREL complet est un chef-d’œuvre de concision et de généralité conceptuelle. Dans sa formulation canonique établie par Jöreskog, le système se décompose rigoureusement en deux modèles de mesure imbriqués dans un modèle structurel central, employant une nomenclature empruntée à l’alphabet grec qui s’est universellement imposée comme la lingua franca de la statistique multivariée.

En premier lieu, le modèle distingue deux classes de variables latentes : les variables latentes exogènes, dénotées par le vecteur $xi$ (ksi) de dimension $n \times 1$, qui représentent les causes primaires ou indépendantes non expliquées par le système, et les variables latentes endogènes, dénotées par le vecteur $eta$ (êta) de dimension $m \times 1$, qui représentent les construits dépendants ou médiateurs expliqués par d’autres construits du modèle. Ces variables latentes sont reliées à leurs indicateurs empiriques observés respectifs par deux modèles de mesure distincts :

$$y = \Lambda_y \eta + \varepsilon$$

$$x = \Lambda_x \xi + \delta$$

où $y$ ($p \times 1$) et $x$ ($q \times 1$) sont les vecteurs d’indicateurs manifestes observés, $\Lambda_y$ ($p \times m$) et $\Lambda_x$ ($q \times n$) sont les matrices de saturations factorielles respectives, et $varepsilon$ ($p \times 1$) et $\delta$ ($q \times 1$) représentent les vecteurs d’erreurs de mesure, dont les matrices de variance-covariance associées sont désignées par $\Theta_\varepsilon$ (Thêta-epsilon) et $\Theta_\delta$ (Thêta-delta).

En second lieu, le cœur dynamique du système est constitué par le modèle structurel, qui gouverne les relations prédictives et causales directes entre les variables latentes elles-mêmes :

$$\eta = B \eta + \Gamma \xi + \zeta$$

Dans cette équation remarquable, $B$ (Bêta) est une matrice de dimension $m \times m$ contenant les coefficients structurels reliant les variables endogènes entre elles (avec sa diagonale principale obligatoirement fixée à zéro pour exclure les rétroactions tautologiques instantanées d’une variable sur elle-même), $\Gamma$ (Gamma) est une matrice de dimension $m \times n$ décrivant les effets directs exercés par les variables latentes exogènes sur les variables endogènes, et $zeta$ (zêta) est un vecteur de résidus structurels ou d’erreurs d’équations de dimension $m \times 1$, dont la matrice de variance-covariance est dénotée par $Psi$ (Psi). Enfin, la covariance entre les variables exogènes $xi$ est capturée par la matrice $Phi$ (Phi) de dimension $n \times n$.

À partir de ces huit matrices matricielles fondamentales ($\Lambda_y, \Lambda_x, B, \Gamma, \Phi, \Psi, \Theta_\varepsilon, \Theta_\delta$), Jöreskog dérive analytiquement la matrice globale de covariance théorique attendue $\Sigma(\theta)$ de dimension $(p+q) \times (p+q)$ par blocs :

$$\Sigma(\theta) = \begin{\bmatrix} \Sigma_{yy}(\theta) & \Sigma_{yx}(\theta) \ \Sigma_{xy}(\theta) & \Sigma_{xx}(\theta) \end{\bmatrix}$$

où chaque bloc matriciel est une fonction algébrique exacte des paramètres structurels et de mesure, notamment via la résolution de l’inverse matriciel $(I – B)^{-1}$, sous réserve que la matrice $(I – B)$ soit non singulière. Toute l’ambition statistique consiste alors à estimer les paramètres inconnus de $\theta$ de telle sorte que la matrice théorique $\Sigma(\theta)$ reproduise au plus près la matrice de covariance empirique observée $S$.

4.3 L’algorithme de minimisation et le saut computationnel

L’estimation des paramètres du modèle LISREL représentait, au début des années 1970, un défi computationnel colossal. Résoudre simultanément des systèmes non linéaires impliquant potentiellement plusieurs dizaines, voire des centaines de paramètres libres interconnectés au sein de fonctions de vraisemblance hautement non quadratiques dépassait les capacités des méthodes analytiques traditionnelles. Karl Jöreskog et Dag Sörbom ont fait preuve d’un génie algorithmique exceptionnel en adaptant les théories les plus pointues de l’optimisation numérique pour les appliquer à l’analyse des matrices de covariance.

Pour minimiser la fonction d’ajustement du maximum de vraisemblance, Jöreskog implémente des algorithmes d’optimisation numérique non linéaire de type quasi-Newton, particulièrement la méthode de Davidon-Fletcher-Powell (DFP), perfectionnée par la suite à travers l’algorithme BFGS (Broyden-Fletcher-Goldfarb-Shanno). Ces algorithmes itératifs procèdent par approximations successives de la matrice hessienne inverse (la matrice des dérivées secondes de la fonction d’ajustement par rapport aux paramètres estimés). Jöreskog dérive formellement les expressions algébriques analytiques des dérivées premières (le vecteur gradient) pour chacune des huit matrices de paramètres LISREL. Cette dérivation exacte du gradient confère au logiciel une vitesse de convergence et une stabilité numérique infiniment supérieures aux méthodes naïves d’approximation par différences finies.

Le saut computationnel accompli par LISREL transforme radicalement le quotidien de la recherche scientifique mondiale. Avant LISREL, estimer un modèle factoriel ou un système d’équations prenait des semaines de travail manuel ou des calculs fragmentés sur des cartes perforées sujets à des instabilités matricielles récurrentes. LISREL automatise l’ensemble du processus : vérification des conditions d’identification locale, calcul des valeurs initiales par des méthodes de deuxièmes moments rapides, itérations d’optimisation non linéaire jusqu’à l’atteinte d’un critère de convergence strict (typiquement un gradient tendant vers zéro), inversion de la matrice d’information de Fisher pour produire la matrice asymptotique des variances-covariances des estimateurs, et impression des erreurs-types associées à chaque coefficient estimé. Les ordinateurs centraux universitaires des années 1970 tournent nuit et jour en exécutant les bandes magnétiques de LISREL.

5. Estimation statistique et méthodes d’optimisation par maximum de vraisemblance

5.1 L’estimateur du maximum de vraisemblance (ML) en psychométrie

L’estimateur privilégié et canonique conçu par Karl Jöreskog pour LISREL repose sur la méthode du maximum de vraisemblance (couramment abrégé en ML pour Maximum Likelihood). Sous le postulat selon lequel le vecteur des variables manifestes conjointes $z = (y’, x’)’$ suit une distribution normale multivariée continue de dimension $(p+q)$ dans la population, avec une moyenne nulle et une matrice de variance-covariance $\Sigma$, la fonction de log-vraisemblance d’un échantillon indépendant et identiquement distribué de $N$ observations peut s’exprimer mathématiquement. En éliminant les constantes non informatives et en multipliant par $-2/(N-1)$, Jöreskog dérive la célèbre fonction de discordance ou d’ajustement $F_{ML}$ :

$$F_{ML}(\theta) = ln|\Sigma(\theta)| + operatorname{tr}(S \Sigma^{-1}(\theta)) – ln|S| – (p+q)$$

où $|cdot|$ désigne le déterminant d’une matrice, $operatorname{tr}(\cdot)$ est l’opérateur trace (la somme des éléments diagonaux d’une matrice carrée), $S$ est la matrice de covariance empirique non biaisée calculée sur l’échantillon d’observation, et $\Sigma(\theta)$ est la matrice de covariance théorique prédite par les spécifications du modèle LISREL.

Cette fonction de discordance $F_{ML}$ possède des propriétés mathématiques exceptionnelles qui justifient son rôle hégémonique. Premièrement, elle est strictement non négative ($F_{ML}(\theta) ge 0$), et s’annule identiquement si et seulement si l’ajustement est absolu, c’est-à-dire lorsque $\Sigma(\theta) = S$. Deuxièmement, elle est invariante sous toute transformation d’échelle linéaire admissible des variables observées : changer l’unité de mesure d’un item (par exemple multiplier un score par dix) ne modifie aucunement la valeur minimale de la fonction d’ajustement, ni la valeur du test statistique global, tout en ajustant de manière homothétique et cohérente les saturations et variances d’erreur correspondantes.

Sur le plan de l’inférence théorique, Jöreskog s’appuie sur la théorie asymptotique de Cramér pour établir les propriétés formelles des estimateurs du maximum de vraisemblance dans ce cadre : ils sont asymptotiquement non biaisés (consistants), asymptotiquement efficaces (atteignant la borne de Cramér-Rao), et possèdent une distribution asymptotiquement normale multivariée. De surcroît, la courbure de la surface de log-vraisemblance au point de convergence, matérialisée par l’inverse de la matrice d’information de Fisher, fournit directement les erreurs-types asymptotiques des paramètres. Il devient possible de calculer des ratios critiques (le ratio entre l’estimation d’un paramètre et son erreur-type, équivalent asymptotique d’un test $z$ de Wald) pour évaluer si un coefficient de régression structurel ou une saturation factorielle est significativement différent de zéro à un seuil alpha fixé.

5.2 Développement des méthodes alternatives d’estimation

Bien que l’estimateur ML constitue la colonne vertébrale de l’édifice LISREL, Karl Jöreskog était parfaitement conscient des vulnérabilités de cet estimateur face aux écarts empiriques par rapport aux postulats théoriques idéaux. Lorsque les données violent de manière flagrante l’hypothèse de normalité multivariée (présence d’asymétrie marquée ou d’aplatissement/kurtosis excessif), ou lorsque les matrices de covariance présentent des anomalies d’échantillonnage, l’estimateur ML peut produire des erreurs-types artificiellement sous-estimées et une statistique du khi-carré excessivement inflationniste, conduisant au rejet abusif de modèles théoriquement corrects. Pour parer à cette fragilité, Jöreskog enrichit progressivement LISREL d’une panoplie d’estimateurs alternatifs.

Il implémente tout d’abord les méthodes des moindres carrés non pondérés (Unweighted Least Squares, ULS), qui minimisent simplement la somme des carrés des différences entre les éléments de $S$ et ceux de $\Sigma(\theta)$ via la fonction $F_{ULS} = \frac{1}{2} operatorname{tr}[(S – \Sigma(\theta))^2]$. L’estimateur ULS ne requiert aucune hypothèse distributionnelle et peut converger même lorsque la matrice empirique $S$ est non définie positive ; toutefois, il est sensible aux échelles de mesure des variables et ne fournit pas de test d’ajustement asymptotique fondé sur le khi-carré. Pour dépasser cette limite tout en maintenant une flexibilité distributionnelle, Jöreskog introduit l’estimateur des moindres carrés généralisés (Generalized Least Squares, GLS), formulé par $F_{GLS} = \frac{1}{2} operatorname{tr}[( (S – \Sigma(\theta)) S^{-1} )^2]$. Sous condition de normalité multivariée, GLS partage les mêmes propriétés asymptotiques optimales que ML, tout en requérant parfois un temps de calcul inférieur.

Le développement méthodologique le plus poussé culmine avec l’intégration des méthodes de distribution asymptotique libre (Asymptotic Distribution Free ou ADF), formalisées par Michael Browne sous la forme de l’estimateur des moindres carrés pondérés (Weighted Least Squares, WLS). Dans cette approche, la fonction d’ajustement minimise le carré des écarts pondérés par l’inverse d’une matrice de poids $W$, où $W$ est la matrice de covariance asymptotique des variances et covariances empiriques calculées à partir des moments d’ordre 4 des variables :

$$F_{WLS}(\theta) = (s – \sigma(\theta))’ W^{-1} (s – \sigma(\theta))$$

où $s$ et $\sigma(\theta)$ sont des vecteurs de dimension $p(p+1)/2$ empilant les éléments uniques sous-diagonaux et diagonaux de $S$ et $\Sigma(\theta)$. Cette formulation monumentale libère définitivement la modélisation structurelle du carcan de la loi normale, bien qu’elle exige, comme Jöreskog l’a vigoureusement souligné dans ses manuels, des tailles d’échantillon massives pour garantir la stabilité de l’inversion de la matrice $W$.

5.3 Indices d’ajustement global et diagnostic des modèles

L’un des apports les plus influents de l’école d’Uppsala réside dans le développement d’une batterie complète d’outils diagnostiques destinés à juger de la qualité de l’ajustement des modèles. À l’origine, le test d’hypothèse probabiliste par excellence fourni par LISREL est la statistique du khi-carré du rapport de vraisemblance, calculée par :

$$\chi^2 = (N – 1) F_{\min}$$

Cependant, Jöreskog identifie très rapidement une limite structurelle de ce test : sa dépendance linéaire directe envers la taille de l’échantillon $N$. Dans de très grands échantillons (tels que ceux fréquemment rencontrés dans les grandes enquêtes sociologiques ou psychologiques comportant plusieurs milliers d’individus), la puissance statistique devient si titanesque que des divergences triviales, minuscules et sans aucune pertinence théorique entre la réalité empirique $S$ et le modèle épuré $\Sigma(\theta)$ conduisent inévitablement à un rejet statistique péremptoire ($p < 0{,}05$).

Pour affranchir les chercheurs de cette tyrannie du khi-carré d’échantillon, Jöreskog et Sörbom introduisent dans LISREL les premiers indices d’adéquation descriptifs globaux non exclusivement dépendants de la puissance de test : le GFI (Goodness of Fit Index) et sa version ajustée pour la parcimonie, l’AGFI (Adjusted Goodness of Fit Index). Le GFI quantifie la proportion relative de la variance et de la covariance conjointe empirique expliquée de manière satisfaisante par le modèle théorique, jouant dans la modélisation structurelle un rôle conceptuellement analogue au coefficient de détermination $R^2$ dans la régression linéaire multiple :

$$\text{GFI} = 1 – \frac{operatorname{tr}[(\Sigma^{-1} S – I)^2]}{operatorname{tr}[(\Sigma^{-1} S)^2]}$$

Au-delà de l’ajustement global, Jöreskog et Sörbom conçoivent des outils de diagnostic local d’une finesse analytique inédite. Ils introduisent l’inspection des résidus standardisés (la différence entre chaque covariance observée et prédite, divisée par son erreur-type d’échantillonnage), permettant de repérer précisément les paires de variables dont l’association est mal capturée par le modèle. Mais l’innovation la plus spectaculaire demeure l’invention par Dag Sörbom des indices de modification (Modification Indices ou MI). Pour chaque paramètre préalablement fixé ou contraint du modèle, le logiciel calcule la décroissance minimale attendue de la valeur globale du $\chi^2$ (avec 1 degré de liberté) si ce paramètre venait à être libéré et estimé librement. Associés aux valeurs de changement attendu des paramètres (Expected Parameter Change ou EPC), les indices de modification transforment LISREL en un scanner ultrastructurel, révélant au chercheur l’emplacement exact des éventuelles mauvaises spécifications théoriques de son modèle.

6. Le pont interdisciplinaire : Convergence entre psychométrie et économétrie

6.1 Dialogue entre les traditions de Cowles Commission et de Thurstone

Avant l’avènement des publications de Jöreskog, la science quantitative était scindée en deux forteresses méthodologiques largement imperméables l’une à l’autre, s’ignorant royalement ou se regardant avec une condescendance mutuelle. D’un côté, l’économétrie américaine, façonnée par les géants de la Cowles Commission (tels que Trygve Haavelmo, Jan Tinbergen, Tjalling Koopmans et Lawrence Klein), avait poussé à un haut degré de sophistication mathématique la résolution des systèmes d’équations simultanées, la méthode des doubles moindres carrés (2SLS) et le traitement formel des problèmes d’identification causale. Cependant, cette tradition demeurait aveugle à la nature fallacieuse de ses indicateurs : le produit intérieur brut, le revenu permanent, l’investissement ou les anticipations d’inflation étaient traités comme des grandeurs parfaitement mesurées, exemptes de tout biais d’enregistrement.

De l’autre côté de l’Atlantique méthodologique, la tradition psychométrique issue de Louis Leon Thurstone, Godfrey Thomson et Joy Paul Guilford avait développé un art consommé du filtrage de l’erreur de mesure à travers l’analyse factorielle des variables latentes. Cependant, les psychométriciens se montraient incapables d’intégrer des relations causales asymétriques directionnelles entre leurs construits, se cantonnant à l’évaluation de simples matrices de corrélations ou d’indices de fidélité de consistance interne comme l’alpha de Cronbach. Les économistes rejetaient l’analyse factorielle comme une technique ésotérique, mécaniste et dépourvue de sens causal économique, tandis que les psychologues regardaient les régressions économétriques comme des fictions mathématiques ignorant la fragilité ontologique de leurs mesures.

Karl Jöreskog accomplit l’unification épistémologique historique de ces deux traditions rivales. En démontrant mathématiquement qu’un système d’équations structurelles économétriques n’est qu’un cas particulier du modèle structurel LISREL où la matrice de mesure $Lambda$ serait une matrice d’identité parfaite et où les erreurs de mesure seraient contraintes à zéro, il subvertit les frontières disciplinaires. Réciproquement, il démontre que l’analyse factorielle n’est qu’un cas particulier de LISREL dépourvu de composante structurelle directionnelle ($B = 0$ et $\Gamma = 0$). Jöreskog crée une interface universelle où les économistes apprennent à modéliser formellement l’erreur dans les variables (errors-in-variables models) et où les psychologues apprennent à spécifier des hypothèses causales prédictives directionnelles. Le vocabulaire méthodologique mondial s’harmonise enfin.

6.2 La modélisation causale non expérimentale en psychologie sociale

L’impact de cette réunification méthodologique est immédiat et cataclysmique au sein de la psychologie sociale, de la sociologie empirique et des sciences comportementales, particulièrement aux États-Unis. Jusqu’alors, ces disciplines étaient déchirées entre l’expérimentation de laboratoire en milieu contrôlé — souvent jugée artificielle, réductrice et inapte à saisir la complexité des dynamiques humaines écologiquement valides — et les enquêtes par sondage corrélationnelles de terrain, frappées d’interdit épistémologique quant à toute affirmation de nature causale en vertu du truisme méthodologique classique : « corrélation ne vaut pas causalité ».

La modélisation LISREL apporte aux chercheurs en sciences non expérimentales une puissance d’inférence phénoménale. Bien que ne transformant pas magiquement une corrélation en lien causal sans assise théorique robuste, elle permet d’éprouver formellement des diagrammes de cheminement causal (path analysis, initialement conceptualisés par le généticien Sewall Wright dans les années 1920) enrichis de variables latentes. Les chercheurs peuvent désormais modéliser des devis de recherche longitudinaux complexes à mesures répétées (cross-lagged panel designs) pour évaluer la directionnalité de causalités réciproques au fil du temps : par exemple, déterminer si l’estime de soi précède causalement la réussite scolaire, ou si c’est la réussite scolaire qui induit secondairement l’augmentation de l’estime de soi, tout en contrôlant rigoureusement l’atténuation due aux erreurs de mesure propres à chaque passation temporelle.

De même, l’analyse des effets de médiation théoriques — processus par lesquels une variable indépendante $X$ influence une variable dépendante $Y$ à travers une variable intermédiaire $M$ — trouve dans le cadre LISREL son cadre de quantification absolu. Il devient possible de décomposer analytiquement les effets totaux reliant des construits en effets directs et effets indirects, et de calculer leurs erreurs-types respectives via des approximations fondées sur la méthode delta. La littérature de psychologie sociale, d’études de la communication et de sociologie de l’éducation se convertit massivement et irréversiblement à la méthodologie de Karl Jöreskog tout au long des décennies 1970 et 1980.

6.3 L’influence conjointe d’Arthur Goldberger et de Karl Jöreskog

La consécration définitive du pont interdisciplinaire entre psychométrie et économétrie s’incarne de manière spectaculaire dans la collaboration intellectuelle majeure nouée entre Karl Jöreskog et l’un des économétriciens américains les plus influents de son temps : Arthur S. Goldberger, professeur émérite à l’Université du Wisconsin à Madison. Goldberger, figure dominante de l’économétrie théorique et membre de l’Académie nationale des sciences des États-Unis, comprend immédiatement la transcendance des travaux du Suédois.

Ensemble, ils organisent en 1970 une conférence interdisciplinaire historique parrainée par le Social Science Research Council, qui débouche en 1973 sur la publication d’un ouvrage collectif monumental : Structural Equation Models in the Social Sciences, publié par Seminar Press. Ce livre s’impose instantanément comme le texte fondateur de la nouvelle épistémologie quantitative. Il réunit des contributions pionnières démontrant comment les variables non observées, les erreurs de mesure, les biais de sélection et les équations simultanées peuvent être intégrés dans un édifice mathématique rigoureux. En 1979, Jöreskog et Sörbom enfoncent le clou en publiant chez National Educational Resources leur célèbre traité : Advances in Factor Analysis and Structural Equation Models, préfacé par Goldberger, qui consolide définitivement les fondations de la discipline.

L’alliance entre Jöreskog et Goldberger permet de démonter méthodiquement les critiques réductrices qui étaient traditionnellement adressées aux approches quantitatives par les courants herméneutiques ou critiques des sciences humaines. Ils prouvent avec brio que modéliser n’est pas réifier mécaniquement la conscience humaine, mais rendre explicites, testables et falsifiables les postulats ontologiques du chercheur. Sous leur impulsion conjointe, un nouveau standard international de scientificité s’impose dans les comités éditoriaux des plus prestigieuses revues scientifiques du monde : toute tentative de valider empiriquement une théorie sociologique ou comportementale d’envergure sans recourir à un examen d’équations structurelles intégrant le modèle de mesure est désormais jugée scientifiquement anachronique.

7. Avancées méthodologiques : Données ordinales, non-normalité et structures multi-groupes

7.1 Traitement rigoureux des variables ordinales et catégorielles

L’un des défis méthodologiques les plus redoutables auxquels Karl Jöreskog s’attaque au cours des années 1980 concerne la nature métrique des données effectivement collectées dans les enquêtes réelles en sciences humaines. L’immense majorité des instruments psychométriques, qu’il s’agisse des questionnaires de personnalité ou des baromètres sociologiques, n’utilisent pas des variables d’intervalle ou de rapport continues, mais des échelles discrètes à réponses ordinales, typiquement des échelles de Likert à 4, 5 ou 7 points d’ancrage (allant de « pas du tout d’accord » à « tout à fait d’accord »). Traiter brutalement ces catégories discrètes comme s’il s’agissait de variables continues gaussiennes, en calculant de simples coefficients de corrélation linéaire de Pearson, constitue une faute méthodologique majeure susceptible d’engendrer de graves artefacts statistiques, tels que l’apparition de facteurs d’asymétrie parasites (les redoutés difficulty factors).

Pour résoudre cette aporie, Jöreskog formalise et intègre dans son écosystème méthodologique la théorie des variables sous-jacentes latentes continues inobservables ($y^*$), connectées aux réponses observées catégorielles ordonnées ($y$) par un système d’intervalles délimités par des seuils latents ($tau$, tau). Si un item possède $C$ modalités de réponse ordonnées ($c = 1, 2, dots, C$), le modèle postule que l’observateur choisit la modalité $c$ dès lors que la variable latente continue sous-jacente franchit les seuils correspondants :

$$y = c iff \tau_{c-1} < y^* le \tau_c$$

avec la convention $\tau_0 = -\infty$ et $\tau_C = +\infty$. À partir de cette formulation probabiliste, Jöreskog développe des algorithmes robustes pour estimer la corrélation entre les variables inobservables sous-jacentes normales : les corrélations tétrachoriques (pour deux variables binaires), les corrélations polychoriques (pour deux variables ordinales), et les corrélations polysérielles (pour une variable ordinale et une variable continue).

Le saut méthodologique accompli est d’une profondeur inouïe. Au lieu d’injecter une matrice de corrélations de Pearson biaisée dans le logiciel d’équations structurelles, le chercheur estime désormais la matrice des corrélations polychoriques conjointement à la matrice asymptotique de leurs variances-covariances d’échantillonnage. En utilisant ensuite l’estimateur des moindres carrés pondérés (WLS) ou des variantes robustes à information diagonale (DWLS/WLSMV), la modélisation structurelle devient parfaitement immunisée contre les distorsions factorielles induites par la non-linéarité, la discrétisation et l’asymétrie des échelles de mesure ordonnées.

7.2 L’analyse factorielle et structurelle multi-groupes

Une autre contribution monumentale de Karl Jöreskog consiste dans la formulation, dès 1971, du cadre de l’analyse multi-groupes (multiple-group analysis). Dans de multiples contextes de recherche fondamentale et appliquée — qu’il s’agisse de comparer les structures de la personnalité entre les hommes et les femmes, d’étudier l’efficacité d’un programme pédagogique entre un groupe expérimental et un groupe témoin, ou d’évaluer l’universalité de construits cognitifs à travers différentes nations et cultures (psychologie transculturelle) —, les chercheurs ont impérativement besoin de tester si les paramètres d’un modèle sont invariants à travers plusieurs sous-populations distinctes.

Jöreskog formalise ce problème en étendant la fonction d’ajustement du maximum de vraisemblance à la somme simultanée de $G$ groupes indépendants :

$$F_{multi} = \sum_{g=1}^G \frac{N_g – 1}{N – G} F(\theta_g)$$

Il établit une taxonomie épistémologique et statistique rigoureuse de l’invariance de mesure (measurement invariance), organisée sous la forme d’une hiérarchie formelle de tests d’hypothèses emboîtés par comparaison de statistiques du khi-carré :

• L’invariance configurale : vérifie que le patron de fixation des paramètres (la structure de base du modèle factoriel) est qualitativement identique dans tous les groupes, sans imposer d’égalité numérique stricte sur les coefficients.
• L’invariance métrique (ou faible) : contraint les matrices de saturations factorielles à être strictement égales entre les groupes ($\Lambda^{(1)} = \Lambda^{(2)} = dots = \Lambda^{(G)}$). C’est la condition sine qua non pour pouvoir affirmer que l’unité de mesure de la variable latente est identique à travers les populations, autorisant ainsi la comparaison des relations structurelles ou des variances latentes.
• L’invariance scalaire (ou forte) : impose, en sus des saturations, l’égalité stricte des intercepts des variables observées ($\tau^{(1)} = dots = \tau^{(G)}$). Cette condition est indispensable pour garantir que les différences de moyennes observées reflètent d’authentiques variations au niveau de la moyenne latente, sans distorsion par un biais d’item.
• L’invariance stricte : impose en dernier ressort l’égalité des matrices de variances d’erreurs de mesure ($\Theta^{(1)} = dots = \Theta^{(G)}$), attestant d’une fidélité de mesure parfaitement équivalente d’un groupe à l’autre.

Cette formalisation mathématique de l’invariance transculturelle et intergroupe a totalement assaini la recherche comparative internationale, en offrant une parade absolue aux interprétations ethnocentriques ou abusives de scores psychométriques bruts.

7.3 L’intégration des moyennes et structures de covariances simultanées

Pendant la première décennie d’existence de LISREL, les modèles se focalisaient exclusivement sur l’explication des structures de covariance de second ordre, en posant implicitement ou explicitement que les moyennes des variables étaient des constantes triviales centrées à zéro. Karl Jöreskog et Dag Sörbom brisent cette limitation conceptuelle au tournant des années 1980 en intégrant formellement les paramètres de premier ordre (les moyennes observées et les moyennes latentes) au sein du formalisme général, donnant naissance aux modèles de structure de moyennes et de covariances (Mean and Covariance Structures, MACS).

Dans cette architecture augmentée, le modèle de mesure incorpore explicitement un vecteur d’intercepts $\nu$ (nu) pour les indicateurs observés, et le modèle structurel accueille un vecteur $\alpha$ (alpha) représentant les moyennes d’origine des variables latentes :

$$y = \nu_y + \Lambda_y \eta + \varepsilon$$

$$\eta = \alpha + B \eta + \Gamma \xi + \zeta$$

L’estimation conjointe de la moyenne vectorielle $\mu(\theta)$ et de la matrice de covariance $\Sigma(\theta)$ enrichit spectaculairement la panoplie des questions scientifiques traitables. Les chercheurs peuvent désormais estimer et comparer directement les véritables moyennes latentes entre groupes culturels ou expérimentaux, sans être pollués par les biais de réponse ou les différences d’origine d’échelle propres aux indicateurs particuliers.

De surcroît, cette intégration des moyennes ouvre la voie à l’une des applications les plus fructueuses de la psychométrie contemporaine : la modélisation des courbes de croissance latente (Latent Growth Curve Modeling, LGM), perfectionnée par la suite par des continuateurs comme John Horn et John Willett. Dans un devis longitudinal, il devient possible de modéliser des facteurs latents représentant le niveau de base initial d’un individu (l’ordonnée à l’origine ou Intercept) et son taux d’évolution dynamique au cours du temps (la pente ou Slope), tout en modélisant la covariance entre ces deux paramètres de croissance. Cette modélisation enterre définitivement l’analyse de variance à mesures répétées classique (ANOVA) pour l’étude du développement cognitif, de l’apprentissage ou du vieillissement, en fournissant un traitement rigoureux de l’hétérogénéité des trajectoires individuelles.

8. Impact direct sur la recherche empirique en psychologie et sciences comportementales

8.1 Rénovation de la psychologie différentielle et de l’étude de l’intelligence

La psychologie différentielle et l’étude des aptitudes cognitives humaines représentent historiquement le berceau matriciel de la psychométrie ; elles ont été les premières bénéficiaires de la révolution opérée par Karl Jöreskog. Pendant plus de six décennies, l’étude de l’intelligence avait été le théâtre d’une guerre de tranchées épistémologique et idéologique insoluble entre tenants du modèle unitaire du « facteur g » (le facteur général d’intelligence conceptualisé par Charles Spearman) et défenseurs de modèles multifactoriels réfutant l’existence d’une hiérarchie globale au profit d’aptitudes mentales indépendantes (les aptitudes primaires de Louis Thurstone, ou la structure triadique de Joy Paul Guilford).

Grâce à l’analyse factorielle confirmatoire de Jöreskog, cette querelle séculaire a pu trouver son dénouement empirique définitif. L’AFC a permis de concevoir et de tester formellement des modèles factoriels hiérarchiques de second et de troisième ordre (ainsi que des modèles bifactoriels). Les chercheurs ont pu démontrer avec une clarté mathématique irréfutable que les théories de Spearman et de Thurstone n’étaient pas ontologiquement incompatibles, mais représentaient deux strates descriptives superposées d’un même phénomène stochastique : les aptitudes primaires de Thurstone opèrent au premier ordre comme des dimensions corrélées de mesure spécialisée, dont les covariances substantielles sont elles-mêmes rigoureusement expliquées au second ordre par un facteur d’intelligence générale $g$. Cette synthèse a directement pavé la voie à la constitution du modèle unifié Cattell-Horn-Carroll (CHC), qui structure aujourd’hui l’ensemble des batteries cliniques d’évaluation intellectuelle mondiale (échelles de Wechsler WISC/WAIS, batterie Woodcock-Johnson).

Dans le domaine connexe de la psychologie de la personnalité, l’apport de Jöreskog s’est avéré tout aussi déterminant. L’émergence du célèbre modèle des Big Five (les Cinq Grands traits : Ouverture, Conscienciosité, Extraversion, Agréabilité, Névrosisme), issu des travaux de Costa & McCrae et de Goldberg, n’a pu acquérir sa légitimité scientifique internationale que parce que l’AFC a permis de prouver la stabilité transculturelle, la robustesse temporelle à travers les cohortes de vieillissement, et la non-redondance discriminante de ses cinq dimensions fondamentales, purifiées des erreurs spécifiques de mesure propres aux items descriptifs auto-rapportés.

8.2 Validation d’échelles et psychométrie appliquée à la santé mentale

L’univers de la psychiatrie biologique, de la psychologie clinique et de la santé publique a été profondément assaini par l’application systématique des méthodes de Karl Jöreskog. Avant LISREL, la « validation » d’une échelle diagnostique se limitait généralement au calcul d’un modeste coefficient alpha de Cronbach — indicateur notoirement aveugle à la multidimensionnalité et reposant sur le postulat d’essence souvent violé de tau-équivalence stricte — et à des corrélations bivariées non contrôlées.

Sous le magistère méthodologique de Jöreskog, l’analyse factorielle confirmatoire devient le standard d’or incontournable de tout processus de validation d’instruments de mesure psychologique et clinique. Des questionnaires diagnostiques utilisés à l’échelle planétaire, tels que l’Inventaire de Dépression de Beck (BDI) ou l’Échelle d’Anxiété État-Trait de Spielberger (STAI), ont été soumis au crible impitoyable de l’AFC. Cette démarche a permis d’éliminer les items présentant des saturations croisées indésirables, d’identifier les questions redondantes générant des covariances d’erreurs locales substantielles (souvent induites par des formulations quasi-synonymes ou des artefacts de valence positive/négative), et de garantir la validité discriminante entre des syndromes cliniques aux sémiologies très intriquées, comme la dépression majeure et les troubles de l’anxiété généralisée.

Cette rigueur a eu des retombées directes sur les manuels de référence de l’évaluation internationale, notamment les prestigieux Standards for Educational and Psychological Testing codirigés par l’APA (American Psychological Association), l’AERA et le NCME. L’exigence formelle de prouver la validité structurelle interne d’une batterie clinique par des indices d’adéquation de modèles par équations structurelles avant toute commercialisation ou utilisation médicale est devenue un prérequis éthique et déontologique majeur, protégeant les patients contre les erreurs de diagnostic issues d’instruments défectueux.

8.3 Influence en psychologie du travail, des organisations et du comportement du consommateur

Si un domaine des sciences empiriques a été littéralement remodelé par Karl Jöreskog au point d’en modifier intégralement la culture de publication, c’est bien la psychologie du travail, le comportement organisationnel (Organizational Behavior) et les sciences de gestion (management, marketing et comportement du consommateur). À partir du milieu des années 1980, il devient virtuellement impossible de publier une étude empirique dans des revues d’impact de classe mondiale telles que le Journal of Applied Psychology, Academy of Management Journal ou le Journal of Marketing Research sans soumettre ses données à une modélisation par équations structurelles.

Ces disciplines étudient par nature des phénomènes éminemment subjectifs, complexes et non manipulables en laboratoire : comment le leadership transactionnel ou transformationnel influe-t-il sur l’engagement organisationnel affectif des salariés ? Quel est le rôle médiateur de l’épuisement professionnel (burnout) entre la surcharge de travail perçue et les comportements de désengagement ou de rotation du personnel (turnover) ? Comment la confiance de marque et la valeur perçue conditionnent-elles la fidélité comportementale du consommateur ?

En offrant une méthodologie unifiée permettant d’analyser simultanément la validité convergente des instruments (via les saturations factorielles et la variance moyenne extraite formalisée par Fornell et Larcker), la validité discriminante, et l’ajustement global de réseaux complexes d’hypothèses causales médiées et modérées, LISREL a érigé la recherche en gestion et en psychologie organisationnelle au rang de science quantitative mature. Les praticiens ont appris à abandonner les modèles de régression multiple naïfs qui, en ignorant l’erreur de mesure inhérente aux questionnaires d’évaluation managériale, sous-estimaient dramatiquement les coefficients d’impact réels ou biaisaient les estimations des effets indirects.

9. L’écosystème logiciel : De LISREL à PRELIS et SIMPLIS

9.1 Le développement de PRELIS : Le préprocesseur de données indispensables

Au fil de la diffusion massive de LISREL, Karl Jöreskog et Dag Sörbom se rendent compte que les chercheurs de terrain butent continuellement sur la phase cruciale de préparation statistique en amont de la modélisation. Les fichiers de données empiriques brutes contiennent presque invariablement des anomalies distributionnelles majeures : déviations massives par rapport à la loi normale, asymétries prononcées, présences d’aplatissements aberrants, données ordinales polytomiques éparses, et surtout, le fléau endémique des données manquantes (missing data). Pour surmonter ces écueils opérationnels, Jöreskog et Sörbom conçoivent au milieu des années 1980 un logiciel auxiliaire autonome d’une redoutable efficacité : PRELIS (Pre-processor for LISREL).

PRELIS ne se contente pas d’être un simple outil de manipulation de fichiers de données ; il constitue en lui-même une avancée méthodologique de tout premier ordre. Le programme effectue un criblage exploratoire exhaustif de chaque variable manifeste, calculant automatiquement les coefficients de skewness (asymétrie) et de kurtosis (aplatissement) univariés et multivariés au sens de Mardia, et procédant aux tests statistiques d’écart à la normalité. PRELIS prend en charge la transformation adaptative non linéaire des distributions pour restaurer la symétrie lorsque cela est souhaitable.

La prouesse technique centrale de PRELIS réside dans sa capacité à calculer de manière automatisée et sans faille les matrices de corrélations adéquates combinées — qu’il s’agisse de corrélations polychoriques, tétrachoriques ou de Pearson — ainsi que leur matrice de covariance asymptotique $V$. Cette matrice $V$, indispensable à l’alimentation des estimateurs robustes (WLS, ADF) dans le moteur LISREL principal, demandait jusqu’alors des calculs informatiques fastidieux et presque inaccessibles aux non-spécialistes. De surcroît, PRELIS intègre des méthodes de pointe pour traiter les valeurs manquantes, abandonnant la délétère suppression par liste (listwise deletion) au profit de procédures d’imputation par paires pondérées et d’algorithmes d’imputation adaptative basés sur les plus proches voisins (matching imputation). PRELIS s’impose immédiatement comme le sas de décontamination statistique obligatoire avant toute modélisation causale sérieuse.

9.2 SIMPLIS : La démocratisation de la syntaxe des équations structurelles

Malgré sa suprématie méthodologique universelle, le logiciel LISREL souffrait, jusqu’au début des années 1990, d’une barrière à l’entrée linguistique et technique particulièrement intimidante pour les chercheurs débutants, les étudiants de doctorat ou les spécialistes des sciences humaines moins versés dans l’algèbre linéaire pure. La rédaction d’un programme LISREL classique exigeait de maîtriser parfaitement la notation matricielle grecque et de savoir manipuler les propriétés fonctionnelles de huit matrices abstraites ($\Lambda_y, \Lambda_x, B, \Gamma, dots$) à l’aide de commandes ésotériques de type MO NY=3 NX=2 BE=SD GA=FU PH=SY PS=DI TE=DI. La moindre confusion entre une matrice symétrique (SY) et une matrice pleine (FU) entraînait une interruption brutale de l’exécution ou l’apparition d’erreurs fatales d’identification.

Conscient que cette aridité formelle risquait de freiner l’expansion de la modélisation rigoureuse au profit de logiciels approximatifs, Karl Jöreskog accomplit en 1993 un coup d’éclat pédagogique en introduisant le langage SIMPLIS (Simple LISREL). Développé conjointement avec Dag Sörbom, SIMPLIS est un compilateur de syntaxe en langage quasi-naturel qui élimine entièrement la nécessité pour l’utilisateur de manipuler des matrices ou d’invoquer l’alphabet grec. L’utilisateur se contente de rédiger ses hypothèses scientifiques sous une forme verbale directe et intuitive, remarquablement proche du langage théorique :

! Exemple schématique de la logique SIMPLIS
Observed Variables: Performance Satisfaction Engagement
Latent Variables: WellBeing Motivation
Relationships:
Performance = WellBeing Motivation
Satisfaction = WellBeing

Le compilateur interne de SIMPLIS analyse ces assertions en langage textuel direct, déduit automatiquement la classification exogène/endogène des construits latents, identifie les modèles de mesure respectifs, assigne les échelles de métrique nécessaires, configure en sous-main les huit matrices fondamentales de Jöreskog, et génère la syntaxe LISREL sous-jacente sans la moindre ambiguïté opérationnelle. Cette révolution ergonomique démocratise massivement l’accès aux équations structurelles à travers le monde, provoquant une explosion exponentielle de l’usage des SEM dans les thèses de doctorat et les publications scientifiques internationales au cours des décennies 1990 et 2000.

9.3 L’évolution de l’interface graphique et l’adaptation à l’informatique moderne

L’histoire de LISREL est indissociable des mutations technologiques qui ont bouleversé l’informatique de la seconde moitié du vingtième siècle. Initialement conçu à l’ère des cartes perforées de 80 colonnes Hollerith manipulées sur de titanesques mainframes universitaires sous systèmes d’exploitation batch, le programme a su s’adapter méthodiquement à chaque saut de génération matérielle et logicielle. Karl Jöreskog et son équipe réalisent la transition réussie vers l’informatique interactive des terminaux Unix et VAX-VMS, avant de conquérir l’univers des ordinateurs personnels (PC) sous MS-DOS au début des années 1980, puis d’embrasser l’avènement des environnements fenêtrés interactifs 32 et 64 bits sous Microsoft Windows.

Au tournant du millénaire, LISREL enrichit son interface d’un module de conception visuelle directe : l’éditeur de diagrammes de chemin (Path Diagrammer). Les chercheurs n’ont plus nécessairement besoin d’écrire du code texte ; ils peuvent dessiner directement à l’écran leurs modèles théoriques à l’aide de rectangles pour les variables observées, d’ellipses pour les construits latents, de flèches unidirectionnelles pour les relations structurelles causales et de flèches bidirectionnelles incurvées pour les covariances non dirigées. Le logiciel traduit instantanément ce graphisme en syntaxe d’optimisation mathématique, exécute le moteur d’estimation, et réinjecte directement sur le dessin les estimations de coefficients standardisés, les erreurs-types et les résidus d’équations.

Cette période correspond également à l’émergence d’une saine et vive compétition technologique et commerciale internationale. D’autres logiciels majeurs font leur apparition sur le marché de la modélisation structurelle : EQS développé par Peter Bentler, qui popularise des statistiques de test robustes face à la non-normalité (le célèbre Satorra-Bentler scaled chi-square) ; AMOS développé par James Arbuckle, qui séduit par son approche matricielle implicite orientée sur le dessin et l’algorithme Full Information Maximum Likelihood (FIML) ; et plus tard Mplus sous l’égide de Bengt Muthén (lui-même issu de l’école scandinave), qui unifie les modèles à variables latentes continues et catégorielles (modèles de classes latentes, modèles de mélange). Loin d’éclipser l’œuvre de Jöreskog, cette émulation confirme le triomphe planétaire définitif de ses intuitions originelles : l’architecture matricielle LISREL demeure la fondation mathématique universelle sur laquelle l’ensemble de ces logiciels concurrents s’est invariablement adossé.

10. Controverses, débats méthodologiques et clarifications conceptuelles

10.1 La querelle du ‘causal modeling’ : Statistique contre ontologie causale

L’immense succès rencontré par LISREL a parfois engendré, chez des praticiens manquant de recul épistémologique, une dérive interprétative naïve et scientifiquement pernicieuse : l’illusion selon laquelle l’utilisation d’un logiciel d’équations structurelles conférerait mécaniquement et miraculeusement un statut de vérité causale démontrée à n’importe quel ensemble de corrélations observationnelles. Dès les années 1970 et tout au long de sa carrière professorale, Karl Jöreskog n’a cessé de multiplier les mises en garde vigoureuses contre cette fétichisation du qualificatif « modélisation causale » (causal modeling).

Jöreskog a constamment rappelé avec insistance qu’aucune technique statistique, aussi sophistiquée soit-elle mathématiquement, ne possède le pouvoir d’engendrer de la causalité ex nihilo à partir de données non expérimentales. Le logiciel se borne à évaluer la compatibilité stochastique globale d’une structure mathématique avec une matrice de covariances observées empiriques. Les trois réquisits indispensables à l’inférence causale relèvent de l’épistémologie et du devis de recherche, et non du calcul algorithmique : l’antériorité temporelle stricte de la cause sur l’effet, l’isolation et le contrôle rigoureux des variables confondantes tierces (spuriousness), et par-dessus tout, la plausibilité substantive d’un mécanisme théorique explicatif intelligible.

Ce positionnement lucide a nourri des débats philosophiques et méthodologiques de haute volée au sein de la communauté scientifique, notamment avec des théoriciens contemporains de l’inférence causale graphique tels que le prix Turing Judea Pearl. Pearl, inventeur du formalisme des modèles causaux structurels (SCM) et de l’opérateur d’intervention do-calculus, a souvent critiqué l’usage traditionnel des équations structurelles linéaires pour leur propension historique à masquer les hypothèses d’intervention contrefactuelle derrière des coefficients de régression purement algébriques. Face à ces débats, Jöreskog a toujours maintenu une position d’une exemplaire humilité méthodologique : LISREL ne décrète pas la causalité ; il teste si une hypothèse causale formellement postulée par l’esprit humain résiste ou non à l’épreuve de sa confrontation empirique aux données d’observation.

10.2 Le problème du dragage de données (data dredging) et des modifications post-hoc

L’une des controverses les plus aiguës nées de la pratique quotidienne des SEM concerne l’usage abusif, incontrôlé et opportuniste des outils de ré-spécification diagnostique que Jöreskog et Sörbom avaient eux-mêmes mis entre les mains des chercheurs : les indices de modification. Confrontés au rejet formel de leur modèle théorique initial par le test du khi-carré ($p < 0{,}05$), de nombreux apprentis méthodologistes ont cédé à la tentation méthodologique du data dredging (ou dragage de données) : scruter avidement la liste des indices de modification fournie par le logiciel, libérer mécaniquement un à un les paramètres associés aux valeurs les plus élevées — le plus souvent en autorisant des covariances non théorisées entre erreurs de mesure — jusqu’à ce que la statistique d’ajustement globale passe artificiellement sous le seuil d’adéquation convoité.

Karl Jöreskog s’est élevé sans ambiguïté contre cette perversion de sa méthodologie, qu’il a qualifiée de capitulation de la théorie face à l’illusion d’échantillonnage. En modifiant un modèle a posteriori sur la base exclusive d’indices de modification empiriques sans aucune justification substantielle ou théorique plausible, le chercheur bascule insidieusement de la logique confirmatoire pure vers une logique exploratoire déguisée. Cette pratique conduit inéluctablement au phénomène statistique du sur-ajustement (overfitting), où le modèle n’ajuste plus la véritable structure invariante de la population sous-jacente, mais modélise le bruit idiosyncratique propre à l’échantillon singulier collecté.

Pour immuniser la communauté contre ce travers méthodologique, Jöreskog a formulé des recommandations déontologiques inflexibles. Il a préconisé la règle de la validation croisée (cross-validation) : toute modification post-hoc apportée à un modèle initial sur un jeu de données doit impérativement être considérée comme une simple conjecture exploratoire, dont la validité scientifique définitive ne peut être reconnue que si le modèle ré-spécifié est testé et répliqué avec succès sur un second échantillon empirique entièrement indépendant. Il a rappelé sans relâche que l’adéquation statistique d’un modèle ne saurait jamais tenir lieu de brevet de validité ontologique.

10.3 Équivalence de modèles et limites de l’inférence globale

Un autre défi épistémologique fondamental mis en lumière par les travaux autour de Karl Jöreskog réside dans l’existence universelle de modèles équivalents (equivalent models). Démontré formellement sur le plan mathématique par des méthodologistes comme Stelzl (1986) puis Lee et Hershberger (1990), le problème de l’équivalence stipule que pour presque tout modèle d’équations structurelles ajusté avec succès à des données observationnelles, il existe une pluralité — parfois des dizaines, voire des centaines — de modèles structurels rivaux alternatifs qui génèrent très exactement la même matrice de covariance théorique $\Sigma(\theta)$. Ces modèles concurrents obtiennent donc rigoureusement la même valeur de fonction d’ajustement $F_{\min}$, le même $\chi^2$, les mêmes indices GFI, CFI ou RMSEA, tout en postulant des dynamiques de causalité radicalement incompatibles ou des sens de flèches inversés entre les variables.

Cette réalité mathématique a servi de vaccin salutaire contre les prétentions hégémoniques d’un certain triomphalisme quantitatif. Karl Jöreskog a vigoureusement soutenu la diffusion de ces constats théoriques. Il a insisté sur le fait qu’un chercheur ne peut pas honnêtement prétendre que l’obtention d’un bon ajustement statistique « démontre » la validité de son hypothèse théorique particulière. Tout ce que l’analyse permet d’affirmer en toute rigueur logique, c’est que la théorie du chercheur fait partie de la classe des modèles admissibles capables de reproduire les observations empiriques, mais qu’elle partage ce statut mathématique avec d’autres configurations structurelles potentiellement contradictoires.

Dès lors, Jöreskog a réhabilité l’autorité souveraine du jugement qualitatif, théorique et substantiel du chercheur face au fétichisme du chiffre. Les indices statistiques globaux ne sont que des balises d’alerte ou de plausibilité numérique ; la décision d’orienter une flèche causale dans un sens plutôt que dans un autre ne saurait résulter d’une optimisation d’algorithme, mais doit être fondée sur des arguments extérieurs au modèle empirique : antériorité chronologique constatée, assise expérimentale, principes ontologiques d’action ou lois théoriques solidement établies. L’estimation statistique n’est pas un substitut à la pensée critique, elle en est seulement le serviteur instrumentalisé.

11. Reconnaissance académique, honneurs et rayonnement institutionnel

11.1 Professeur titulaire et création de l’école psychométrique d’Uppsala

Au-delà de son œuvre de pionnier de la modélisation mathématique, Karl Jöreskog a bâti une œuvre institutionnelle et professorale de premier ordre. Au début des années 1970, à la suite de ses percées internationales éclatantes, il est nommé à la chaire de statistique de l’Université d’Uppsala, succédant ainsi à son ancien maître Herman Wold. Il assume la direction du département de statistique pendant de nombreuses années, le métamorphosant en un pôle d’attraction intellectuelle d’envergure planétaire.

Sous son magistère professoral exigeant, bienveillant et charismatique, Uppsala devient l’épicentre mondial de ce que les historiens des sciences qualifient d' »École psychométrique scandinave ». Des dizaines de jeunes chercheurs, doctorants et boursiers postdoctoraux affluent des quatre coins de l’Europe, d’Asie et des Amériques pour venir se former auprès du maître suédois. Jöreskog y forme plusieurs générations de méthodologistes quantitatifs hors pair qui essaimeront à leur tour dans les plus grandes universités mondiales : outre son alter ego Dag Sörbom, on compte parmi ses disciples ou proches collaborateurs des esprits de la trempe de Bengt Muthén, Jan-Eric Gustafsson, Steffen Kühnel ou Gerhard Arminger.

Jöreskog insuffle à son département une culture scientifique exemplaire, alliant une rigueur intransigeante sur les fondements mathématiques et probabilistes à une ouverture permanente envers les applications pratiques les plus concrètes de la recherche comportementale. Grâce à cette vision, la Suède s’est positionnée pendant un demi-siècle comme un leader mondial incontournable de la statistique computationnelle appliquée, capable d’exporter des standards méthodologiques adoptés sans réserve par les plus puissantes institutions scientifiques nord-américaines.

11.2 Distinctions internationales et affiliations prestigieuses

La trajectoire scientifique exceptionnelle de Karl Jöreskog lui a valu de recevoir les plus hautes distinctions honorifiques nationales et internationales que la communauté statistique et psychologique puisse attribuer. Il est élu membre de la prestigieuse Académie royale des sciences de Suède (Kungliga Vetenskapsakademien), l’institution tricentenaire notamment chargée d’attribuer chaque année les Prix Nobel de physique et de chimie ainsi que le Prix de la Banque de Suède en sciences économiques en mémoire d’Alfred Nobel. Au sein de cette auguste assemblée, Jöreskog participe activement aux commissions d’évaluation et aux débats sur la prospective scientifique nationale.

Sur la scène académique internationale, sa reconnaissance institutionnelle est tout aussi retentissante. Il se voit conférer le titre de Docteur Honoris Causa par une impressionnante constellation d’universités européennes et américaines, qui saluent en lui le refondateur de l’inférence quantitative en sciences humaines. Il est élu président de la prestigieuse Psychometric Society pour l’année académique 1977-1978, marquant le rayonnement indépassable de ses innovations théoriques sur la discipline reine de la mesure psychologique.

L’American Psychological Association (APA) lui décerne son très convoité Distinguished Scientific Contribution Award, un honneur rarissime pour un chercheur non américain n’étant pas initialement issu du sérail de la psychologie clinique ou expérimentale de base. De même, l’American Statistical Association (ASA) l’élève au rang de Fellow pour ses contributions révolutionnaires à l’inférence des modèles multivariés. Ces distinctions unanimes consacrent un savant qui a su, par la seule force de l’élégance formelle et du calcul matriciel, unifier des champs de recherche traditionnellement fracturés.

11.3 Publications phares et manuels de référence

L’héritage intellectuel de Karl Jöreskog s’incarne de manière vivante dans une bibliographie d’une fécondité et d’une portée citationnelle vertigineuses. Ses manuels de référence consacrés à LISREL et à l’analyse factorielle confirmatoire se classent parmi les productions savantes les plus citées de toute l’histoire des sciences sociales et humaines, totalisant des centaines de milliers de citations académiques certifiées à travers la littérature mondiale.

Parmi ses ouvrages canoniques qui ont formé des générations d’étudiants et de chercheurs, citons en particulier :

• Advances in Factor Analysis and Structural Equation Models (1979, coécrit avec Dag Sörbom), considéré comme la bible méthodologique qui a fixé les standards formels de l’analyse structurelle moderne.
• LISREL: Analysis of Linear Structural Relationships by Maximum Likelihood and Least Squares Methods (manuels successifs des versions I à VIII rédigés avec Sörbom), modèles inégalés de clarté algorithmique, de rigueur mathématique et d’exemples empiriques didactiques.
• LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language (1993, avec Dag Sörbom), le manifeste qui a ouvert l’analyse structurelle à la simplicité du langage naturel.
• PRELIS: A General Preprocessor for Multiple Data (1986, avec Dag Sörbom), le traité indispensable régissant la gestion des données ordinales et des covariances asymptotiques.

Pendant plus de trois décennies, Jöreskog a exercé une influence éditoriale déterminante en tant que membre actif des comités de rédaction des revues scientifiques les plus exigeantes du globe, notamment Psychometrika, The British Journal of Mathematical and Statistical Psychology, et le Journal of Educational and Behavioral Statistics. Sa plume s’est toujours caractérisée par une alliance unique entre une concision mathématique impitoyable et une attention bienveillante portée à l’utilité pratique des outils pour les chercheurs de terrain. Il a ainsi incarné la quintessence de l’universitaire pédagogue, refusant le jargon hermétique pour privilégier la transparence formelle de l’argument déductif.

12. L’héritage vivant de Karl Jöreskog : De 1935 à la psychométrie computationnelle du XXIe siècle

12.1 La transition vers la science des données et le Big Data

Au seuil du XXIe siècle, alors que Karl Jöreskog entre dans le grand âge après une carrière académique triomphale, l’univers de la modélisation statistique est percuté de plein fouet par la révolution de la science des données (Data Science), de l’intelligence artificielle et du Big Data. Certains commentateurs hâtifs ont pu prophétiser l’obsolescence des modèles structurels d’équations à variables latentes, imaginant que l’abondance massive de données comportementales numériques (traces web, réseaux sociaux, flux transactionnels) et la puissance aveugle des algorithmes d’apprentissage automatique (Machine Learning) rendraient caduque la théorisation préalable propre à l’école de Jöreskog.

L’histoire récente démontre exactement le contraire : l’héritage de Jöreskog connaît une spectaculaire réactualisation computationnelle. Face aux dérives de l’apprentissage profond (Deep Learning) fonctionnant comme des « boîtes noires » opaques, inexplicables et saturées de corrélations fallacieuses, les chercheurs en science des données redécouvrent la supériorité structurelle des modèles à variables latentes théorisés par l’école suédoise. La modélisation par équations structurelles fournit le cadre d’interprétabilité causal indispensable pour comprendre pourquoi un phénomène survient, au-delà de la simple prédiction mécanique brute.

De surcroît, une hybridation mathématique passionnante s’est opérée entre le cadre LISREL originel et les techniques d’apprentissage statistique régularisé. Des méthodologistes contemporains ont développé le Regularized SEM (RegSEM), qui intègre les pénalités de type Lasso (L1) et Ridge (L2) au sein de la fonction d’ajustement du maximum de vraisemblance de Jöreskog. Cette alliance permet d’ajuster des modèles structurels complexes comportant des centaines d’indicateurs sur des échantillons massifs, en contraignant automatiquement à zéro les saturations non significatives tout en prévenant le surapprentissage. L’algèbre matricielle conçue à Uppsala dans les années 1970 s’intègre harmonieusement dans les pipelines modernes de code Python et des bibliothèques open source d’analyse statistique comme lavaan sous l’environnement R.

12.2 Les modèles dynamiques et les données de séries temporelles intensives

Dans la recherche psychologique et comportementale ultra-contemporaine, un basculement paradigmatique s’opère des études inter-individuelles transversales vers l’analyse dynamique intra-individuelle en temps réel. Grâce à la prolifération des smartphones et des capteurs connectés, les protocoles d’évaluation écologique momentanée (Ecological Momentary Assessment ou EMA) et d’échantillonnage de l’expérience (Experience Sampling Method) permettent de collecter des séries temporelles intensives, où un même individu évalue son humeur, son stress ou ses interactions sociales plusieurs fois par jour pendant des semaines.

Cette nouvelle frontière empirique réinvestit directement les matrices fondamentales de Jöreskog à travers les modèles d’équations structurelles dynamiques (Dynamic Structural Equation Modeling ou DSEM). Les équations matricielles de mesure et de structure originelles sont désormais indexées sur le temps discret ($t, t-1, t-k$), permettant d’estimer des processus autorégressifs d’ordre 1 (AR1) et des relations de causalité croisée croisée dynamique (cross-lagged) au niveau propre de chaque individu, tout en modélisant les variations inter-individuelles des paramètres via des modèles multi-niveaux à effets aléatoires (MSEM).

L’architecture logique conçue par Jöreskog, reliant les indicateurs observés bruités à des dynamiques sous-jacentes inobservables via une décomposition matricielle rigoureuse, s’avère d’une résilience conceptuelle absolue. Qu’il s’agisse d’évaluer la dynamique de rechute dans la dépression clinique, l’oscillation des états anxieux chez les patients souffrant de stress post-traumatique, ou la fluctuation de la concentration chez l’enfant en milieu scolaire, les structures mathématiques imaginées par le Suédois demeurent le moteur théorique invisible qui rend possible le décryptage computationnel des flux de conscience humaine.

12.3 Bilan d’un siècle de rigueur statistique appliquée à l’esprit humain

Alors que Karl Gustav Jöreskog contemple aujourd’hui le chemin parcouru depuis sa naissance en 1935 à Åmål, son œuvre apparaît avec le recul historique comme l’une des plus colossales aventures intellectuelles de la méthodologie scientifique moderne. En l’espace de quatre décennies d’activité forcenée, il a transformé un ensemble de pratiques psychométriques hésitantes, intuitives et descriptives en un édifice formel mathématiquement irréprochable, qui soutient désormais l’ensemble de l’édifice empirique des sciences humaines et sociales mondiales.

L’apport épistémologique ultime de Karl Jöreskog réside dans la mutation radicale qu’il a imposée au statut de l’inobservable en science. Avant lui, l’inobservable était soit relégué au statut d’entité métaphysique impénétrable par le positivisme réductionniste le plus dur, soit appréhendé au doigt mouillé par des échelles descriptives dénuées de rigueur stochastique. Jöreskog a démontré que le non-observable peut faire l’objet d’une métrologie déductive d’une précision égale, voire supérieure, à celle des sciences physiques, à condition d’isoler explicitement l’erreur d’observation par des contraintes matricielles probabilistes.

Son héritage est également moral et déontologique : il a incarné un refus absolu du compromis entre la rigueur formelle et la pertinence empirique. Jamais il n’a cédé aux facilités de la mode ou aux dérives de la causalité magique, rappelant constamment aux chercheurs la lourde responsabilité herméneutique qui accompagne la manipulation des chiffres. Karl Jöreskog demeure, pour l’histoire des idées, le maître architecte de la métrologie de l’esprit, l’homme qui a su concevoir les instruments mathématiques nécessaires pour que la complexité des comportements et des pensées de l’Homme puisse être examinée à la lumière éclatante de la rigueur scientifique universelle.

Références

• Bollen, K. A. (1989). Structural equations with latent variables. John Wiley & Sons. https://doi.org/10.1002/9781118619179
• Browne, M. W. (1984). Asymptotically distribution-free methods for the analysis of covariance structures. British Journal of Mathematical and Statistical Psychology, 37(1), 62-83. https://doi.org/10.1111/j.2044-8317.1984.tb00789.x
• 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
• Goldberger, A. S., & Jöreskog, K. G. (Eds.). (1973). Structural equation models in the social sciences. Seminar Press.
• Jöreskog, K. G. (1963). Statistical estimation in factor analysis: A new approach and its numerical implementation. Almqvist & Wiksell.
• Jöreskog, K. G. (1967). Some contributions to maximum likelihood factor analysis. Psychometrika, 32(4), 443-482. https://doi.org/10.1007/BF02289658
• Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183-202. https://doi.org/10.1007/BF02289343
• Jöreskog, K. G. (1970). A general method for analysis of covariance structures. Biometrika, 57(2), 239-251. https://doi.org/10.1093/biomet/57.2.239
• Jöreskog, K. G. (1971). Simultaneous factor analysis in several populations. Psychometrika, 36(4), 409-426. https://doi.org/10.1007/BF02291366
• Jöreskog, K. G. (1973). A general method for estimating a linear structural equation system. In A. S. Goldberger & K. G. Jöreskog (Eds.), Structural equation models in the social sciences (pp. 85-112). Seminar Press.
• Jöreskog, K. G. (1978). Structural analysis of covariance and correlation matrices. Psychometrika, 43(4), 443-477. https://doi.org/10.1007/BF02293808
• Jöreskog, K. G., & Sörbom, D. (1979). Advances in factor analysis and structural equation models. Abt Books.
• Jöreskog, K. G., & Sörbom, D. (1986). PRELIS: A program for multivariate data screening and data summarization. Scientific Software International.
• Jöreskog, K. G., & Sörbom, D. (1993). LISREL 8: Structural equation modeling with the SIMPLIS command language. Scientific Software International.
• Jöreskog, K. G., & Sörbom, D. (1996). LISREL 8: User’s reference guide. Scientific Software International.
• Jöreskog, K. G., Sörbom, D., du Toit, S., & du Toit, M. (2000). LISREL 8: New statistical features. Scientific Software International.
• Kline, R. B. (2015). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
• Lawley, D. N., & Maxwell, A. E. (1971). Factor analysis as a statistical method (2nd ed.). Butterworths.
• Lord, F. M., & Novick, M. R. (1968). Statistical theories of mental test scores. Addison-Wesley.
• Muthén, B. (1984). A general structural equation model with dichotomous, ordered categorical, and continuous latent variable indicators. Psychometrika, 49(1), 115-132. https://doi.org/10.1007/BF02294210
• Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511803161
• Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1-36. https://doi.org/10.18637/jss.v048.i02
• Sörbom, D. (1974). A general method for studying differences in factor means and factor structure between groups. British Journal of Mathematical and Statistical Psychology, 27(2), 229-239. https://doi.org/10.1111/j.2044-8317.1974.tb00543.x
• Sörbom, D. (1989). Model modification. Psychometrika, 54(3), 371-384. https://doi.org/10.1007/BF02294623
• Thurstone, L. L. (1947). Multiple-factor analysis: A development and expansion of The Vectors of Mind. University of Chicago Press.
• Wold, H. (1982). Soft modeling: The basic design and some extensions. In K. G. Jöreskog & H. Wold (Eds.), Systems under indirect observation: Causality, structure, prediction (Vol. 2, pp. 1-54). North-Holland.