La première étude présentée dans ce travail a abordé la question de la taille d’échantillon nécessaire pour la validation interne d’une échelle de mesure. Lorsque le nombre d’items dans l’échelle variait entre 10 et 45, une précision de ±0,05 était obtenue avec un échantillon de 300 sujets pour le coefficient de Cronbach lorsque sa valeur attendue était fixée à 0,7, valeur minimale acceptable pour ce coefficient. Pour une valeur attendue supérieure, un nombre moins important de sujets était nécessaire afin d’obtenir la même précision. C’est donc finalement l’étude de la structure dimensionnelle de l’instrument qui est déterminante pour la taille de l’échantillon dans ce genre d’étude. En effet, un minimum de 300 sujets était en général nécessaire pour obtenir une solution stable et fiable de l’analyse factorielle dans les conditions rencontrées en psychiatrie.
106
L’emploi de l’expression « structure dimensionnelle » sous-entend que l’existence de variables latentes est postulée. Autrement dit, si la validité structurelle d’une échelle n’est pas étudiée et que seul le coefficient de Cronbach est calculé, le cadre d’utilisation de cette échelle est la CTT. Dans ce cas, un échantillon moins important est donc suffisant et c’est peut-être une des raisons pour laquelle la CTT, malgré les critiques qui lui sont faites, est encore très largement utilisée dans la littérature (Borsboom, 2005). Si la structure dimensionnelle est étudiée, ce premier travail a montré que le choix de l’ACP, plutôt que celui de l’AFE, nécessitait un échantillon moins grand et c’est, là aussi, probablement une des raisons pour laquelle l’utilisation de l’ACP est encore prédominante dans la littérature alors qu’elle n’appartient pas formellement à la famille des modèles à variables latentes (Fabrigar et
al., 1999; Ford et al., 2006; Widaman, 1993). Les résultats obtenus par ACP et AFE sont
cependant comparables dans bien des cas. Néanmoins, ce premier travail montrait que les charges factorielles étaient surestimées par ACP et ce, d’autant plus que le nombre d’items dans l’échelle était faible, sans influence de la taille de l’échantillon sur ce biais.
Lors de l’utilisation d’un instrument de mesure subjective dans une étude épidémiologique, un des premiers points à vérifier est que sa structure dimensionnelle a été étudiée lors de sa validation. Si ce n’est pas le cas, le cadre théorique choisi est la CTT. Si l’échelle présente de bonnes qualités par ailleurs (validités inter-concept, de face, de contenu, une bonne sensibilité au changement, etc.), son utilisation permettra l’obtention de résultats fiables mais les conclusions ne pourront concerner que le phénomène tel que défini par les items de l’échelle. La comparaison avec les résultats d’une autre étude sur ce même phénomène mesuré avec une autre échelle sera impossible. Par exemple, le BDI et l’échelle auto-administrée de dépression de Zung (SDS : Zung Self-Rating Depression Scale) sont deux échelles de mesure de la dépression (Shafer, 2006). A la différence du BDI, la SDS contient des items de symptomatologie positive. Dans la figure 18, un exemple hypothétique d’étude de la relation entre un facteur d’exposition et la dépression a été schématisé à l’aide d’un DAG. Dans cet exemple, si la dépression est mesurée par le BDI, aucune association significative n’est retrouvée alors que si la SDS est utilisée, une association significative est
107
retrouvée. Ceci est possible dans le cadre de la CTT car le construit dépression est défini par les items de l’échelle utilisée pour le mesurer.
Lorsque la structure dimensionnelle de l’échelle a été étudiée et qu’il est retrouvé plusieurs dimensions, l’utilisation d’un seul score pour l’ensemble des dimensions équivaut à choisir le cadre théorique de la CTT. En revanche, si un score par dimension est calculé, comme recommandé en psychométrie, il sera possible d’étudier l’association entre le facteur d’exposition et chacune des dimensions du phénomène mesuré par l’échelle (Brown, 2006; Falissard, 2008). En reprenant l’exemple du BDI, deux dimensions sont habituellement retrouvées : les attitudes négatives envers soi et les symptômes somatiques. Pour la SDS, trois dimensions sont habituellement retrouvées : les symptômes négatifs, les symptômes somatiques et les symptômes positifs (Shafer, 2006). Une des explications possible de la situation observée dans le cadre de la CTT et représentée dans la figure 18 peut être schématisée comme dans la figure 19 où le facteur d’exposition est retrouvé indépendant du phénomène dépression mesuré par les deux sous-dimensions du BDI mais y est associé lorsque mesuré par la SDS car associé à la sous-dimension « symptômes positifs » de cette échelle.
Figure 18 : Graphe orienté acyclique représentant l’étude de l’association entre un facteur d’exposition E (mesuré par E*) et la dépression mesurée, à l’aide de la théorie classique des tests, par A) l’inventaire de dépression de Beck (BDI) et par B) l’échelle auto-administrée de dépression de Zung (SDS) (ε est l’erreur de mesure, la flèche en gras représente l’association significative étudiée) A) B) Dépression BDI
ε
BDI E E*ε
E Dépression SDSε
SDS E E*ε
E108
Dans cet exemple hypothétique, est illustrée la difficulté de définir la notion de biais d’information dans le cas des mesures subjectives multidimensionnelles. La distinction des trois sous-dimensions de la SDS à l’aide des modèles à variables latentes permet un degré d’analyse plus important. La présence d’une association significative avec la dépression telle Figure 19 : Graphe orienté acyclique représentant l’étude de l’association entre un facteur d’exposition E (mesuré par E*) et les sous dimensions du phénomène « dépression » tel que mesuré par A) l’inventaire de dépression de Beck (BDI) ayant deux sous-dimensions : les symptômes somatiques (SS-BDI) et les attitudes négatives envers soi (AN-BDI), B) l’échelle auto-administrée de dépression de Zung (SDS) ayant trois sous-dimensions : les symptômes positifs (SP-SDS), les symptômes somatiques (SS-SDS) et les symptômes négatifs (SN-SDS) (ε est l’erreur de mesure, la flèche en gras représente l’association significative étudiée)
A) B) SN-SDS SS-SDS Symptômes négatifs Symptômes somatiques Symptômes positifs
ε
SP-SDS SP-SDSε
SS-SDSε
SN-SDS Dépression E E*ε
E Attitudes négatives envers soiε
SS-BDI Symptômes somatiques SS-BDI AN-BDIε
AN-BDI Dépression E E*ε
E109
que mesurée par la SDS observée en CTT est alors comprise différemment. Cependant, comment déterminer celle des deux échelles mesurant au mieux le phénomène « dépression » ? Les symptômes positifs de la SDS font-ils partie, de manière consensuelle, de la théorie définitoire de la dépression ? Si oui, l’absence de lien entre le facteur d’exposition et la dépression telle que mesurée par le BDI est due à un biais de mesure, i.e. le BDI ne couvre pas l’ensemble des domaines définissant le construit « dépression ». Si non, c’est l’intégration de ces symptômes positifs dans la SDS qui crée le biais d’information (ils font, dans ce cas, partie de l’erreur de mesure et le biais d’information est différentiel, cf. figure 4 dans le chapitre 1). Le rationnel concernant la définition du construit à mesurer est donc d’une importance capitale lors de la validation et du choix d’un instrument de mesure subjective pour une étude épidémiologique.
L’intérêt de l’étude de la structure dimensionnelle lors de la validation d’un instrument de mesure subjective est donc, ici, mis en valeur. La taille de l’échantillon utilisé pour cette étude est aussi importante à vérifier, comme l’a montré ce premier travail. En effet, une taille insuffisante peut mener à une conclusion erronée quant à la structure dimensionnelle de l’échelle. Par exemple, pour une échelle à trois facteurs et 10 items, deux des items (14,9%) seraient en moyenne retrouvés chargés par un mauvais facteur si l’échantillon est de 50 sujets. Une telle erreur serait à l’origine d’un mauvais calcul de score pour chacune des sous- dimensions de l’échelle car calculés sur les mauvais items. Les biais d’information en découlant lors d’une utilisation dans une étude épidémiologique seraient au minimum non- différentiels.