Common Method Bias : la Prévention Vaut Mieux que la Détection

Andrzej Szymkowiak · Dernière révision : août 2026

TL;DR : Le common method bias est une distorsion des relations que vous rapportez, causée par une variance qui vient de la méthode de mesure (un seul répondant, un seul format, une seule session) plutôt que de vos construits. Le test de Harman à un facteur unique ne peut pas l'écarter : sur 1619 articles publiés, la variance du premier facteur suivait le nombre d'items et de facteurs, pas le design de l'étude (Howard et al., 2024). Réduisez le biais avant la collecte de données : séparez prédicteur et critère, variez les formats de réponse, protégez l'anonymat et choisissez une marker variable à l'avance. Rapportez ensuite une batterie de contrôles, pas un seul test.

La relecture revient et le Reviewer 2 a écrit une seule phrase : « les auteurs devraient traiter le common method bias ». Vous avez tout collecté dans un seul questionnaire en ligne, auprès d'un seul groupe de répondants, en une seule fois. Presque toutes les pages que vous trouvez vous disent de lancer le test de Harman à un facteur unique, de rapporter que le premier facteur explique moins de 50 %, et de passer à autre chose. Cette réponse a vingt ans de retard. Ce guide couvre l'ampleur réelle du problème, pourquoi le test populaire n'a presque aucune puissance, ce que les contrôles alternatifs peuvent et ne peuvent pas montrer, et les décisions de conception qui réduisent le biais avant qu'il n'entre dans vos données. Il se termine par un paragraphe que vous pouvez adapter pour votre section Méthode.

Qu'est-ce que le common method bias, et quelle est l'ampleur du problème ?

Le common method variance est une variance systématique qui provient de la méthode de mesure plutôt que des construits que vous vouliez mesurer. Quand un même répondant note le prédicteur et le critère, dans le même format, sur la même page, au même moment, une partie de ce que ces réponses ont en commun est le contexte de mesure : un style de réponse constant, un désir de paraître cohérent, une humeur, ou les mêmes ancrages qui tirent les réponses dans la même direction. Le common method bias est ce qui se produit quand cette variance partagée déforme la relation que vous rapportez (Podsakoff, MacKenzie, Lee, & Podsakoff, 2003).

La position honnête est que l'ampleur du problème est contestée. Spector (2006) a soutenu que l'hypothèse automatique « self-report plus une source égale corrélations gonflées » est plus proche d'une légende urbaine que d'un fait démontré, parce que les effets de méthode sont propres à des mesures et des construits particuliers plutôt qu'une force unique qui gonflerait toutes les corrélations. Fuller, Simmering, Atinc, Atinc, et Babin (2016) sont arrivés à une conclusion voisine par simulation : aux niveaux de fiabilité et aux tailles d'effet que la recherche en gestion rapporte habituellement, il faut qu'un niveau assez élevé de method variance soit présent avant que les relations réelles ne soient sensiblement biaisées.

Le contrepoids est tout aussi sérieux. Podsakoff, Podsakoff, Williams, Huang, et Yang (2024) résument les preuves sous un titre qui laisse peu de place au doute : le method bias est mauvais, complexe, répandu, et pas facile à corriger. Les effets de méthode peuvent gonfler une relation, mais ils peuvent aussi l'atténuer ou la laisser inchangée, ce qui explique pourquoi « mes corrélations sont faibles, donc je n'ai pas de biais » n'est pas un argument (Podsakoff, MacKenzie, & Podsakoff, 2012). Ne paniquez donc pas, et ne haussez pas les épaules non plus — ayez un plan, établi avant la collecte de données, car cela vaut bien plus que n'importe quel test lancé après coup.

Le test de Harman à un facteur unique règle-t-il quoi que ce soit ?

Le test est simple, ce qui explique sa diffusion. Vous entrez tous vos items dans une analyse en composantes principales (ou factorielle exploratoire) non tournée, vous regardez le premier facteur, et vous déclarez un problème s'il explique 50 % ou plus de la variance. Sa popularité n'est pas une preuve qu'il fonctionne.

Trois problèmes. D'abord, il a une puissance très faible : il ne détecte le common method bias que quand la contamination est extrême, donc le réussir est proche de non informatif. Fuller et al. (2016, p. 3197) ont conclu que l'approche « cannot consistently produce an accurate conclusion » (ne peut pas produire de conclusion précise de façon constante). Ensuite, le chiffre dépend de choses qui n'ont rien à voir avec le biais. Howard et al. (2024) ont examiné 1619 articles publiés (1699 valeurs de premier facteur rapportées) et ont trouvé que la variance du premier facteur ne différait pas entre des designs connus pour différer dans leur risque de method bias — transversal contre multi-vagues, source unique contre sources multiples, mono-méthode contre multi-méthode — mais variait bien avec le nombre d'indicateurs et le nombre de facteurs retenus. Un test qui répond à votre nombre d'items plutôt qu'à votre design ne mesure pas votre design. Enfin, Podsakoff et ses collègues, qui ont popularisé le cadre général, ont critiqué le test à facteur unique dans chacune des grandes revues qu'ils ont écrites depuis 2003.

Rien de tout cela ne signifie que vous ne devez jamais le rapporter — beaucoup de revues s'attendent encore à le voir, et une phrase ne vous coûte rien. Cela signifie que le test ne doit jamais être votre seule preuve, et que vous devriez le décrire pour ce qu'il est : un contrôle préliminaire conventionnel dont la faible puissance est connue.

Quelles méthodes de détection vous apprennent réellement quelque chose ?

Chaque méthode post hoc voit une tranche différente du problème, et chacune a une faiblesse documentée. Rapportez une batterie, et nommez les faiblesses.

Deux choses en découlent. La marker variable est la seule méthode de cette liste dont l'utilité se décide avant que vous ne collectiez les données — l'argument central de cet article. Et les preuves sur le construit de méthode latent non mesuré (unmeasured latent method construct) sont mitigées, car sa performance dépend de l'absence, de l'égalité entre construits, ou de l'inégalité du method variance (Richardson et al., 2009). Un test qui « réussit » n'est pas un certificat de bonne santé, et un test qui « échoue » n'est pas non plus un verdict.

Comment réduire le common method bias dans votre questionnaire

C'est la partie qu'internet passe sous silence. Podsakoff et al. (2003), MacKenzie et Podsakoff (2012) et Podsakoff et al. (2012) placent tous les remèdes procéduraux en premier, et chacun se traduit par un choix concret dans un questionnaire en ligne.

Séparez le prédicteur et le critère dans le temps. Le remède le plus fort est de mesurer les variables indépendante et dépendante en deux vagues, séparées de plusieurs jours ou semaines, appariées par un identifiant de participant anonyme. Cela coûte de l'échantillon par attrition et nécessite une clé d'appariement planifiée à l'avance, donc c'est une décision de conception plutôt qu'un réglage que vous activez. Si deux vagues sont impossibles, dites-le dans vos limites au lieu de faire comme si le problème n'existait pas.

Séparez-les à l'intérieur du questionnaire. Quand vous n'avez qu'une seule vague, utilisez la séparation proximale et psychologique : placez les construits prédicteur et critère dans des sections différentes, ajoutez un saut de page, et intercalez un bloc sans rapport — des données démographiques, une échelle de remplissage. Ce qu'il ne faut pas faire, c'est empiler les items de résultat directement sous les items antécédents dans une longue grille unique, où le répondant voit les deux à la fois et les aligne.

Variez le format de réponse entre les construits. Mesurez un construit sur une échelle d'accord Likert en sept points, un autre sur un différentiel sémantique, un autre encore sur un curseur 0–100 ou une échelle de fréquence. Changer de format interrompt le motif de réponse qu'un participant transporte de bloc en bloc, et les ancrages peuvent varier aussi : tout n'a pas besoin d'aller de « pas du tout d'accord » à « tout à fait d'accord ». Un compromis honnête à connaître : le format et le nombre de points font partie de la forme validée d'une échelle, donc gardez une échelle publiée telle qu'elle a été publiée, et variez plutôt le format des autres construits.

Protégez l'anonymat, et dites-le à l'écran. Dites aux participants que les réponses sont anonymes, qu'il n'y a pas de bonnes ou de mauvaises réponses, et que vous voulez leur avis personnel. Cela réduit l'appréhension de l'évaluation et la désirabilité sociale, deux des principales sources de method variance identifiées par Podsakoff et al. (2003). Cette formulation a sa place dans le bloc d'instructions, pas seulement dans le formulaire de consentement.

Écrivez des items qui ne forcent pas les répondants à deviner. Les items ambigus, à double sens (double-barreled) ou vagues ramènent les gens à une impression générale du sujet, et cette impression générale est exactement la source partagée que vous essayez d'éviter. Passer votre formulation au crible avec un vérificateur d'items coûte peu, et utiliser une échelle validée coûte encore moins.

Randomisez l'ordre des blocs quand la théorie le permet. Si l'ordre de deux blocs de construits n'est pas fixé théoriquement, randomisez-le pour que tout effet d'ordre se répartisse dans l'échantillon au lieu de s'aligner sur votre modèle. Gardez les blocs d'introduction, de consentement et démographiques à leur place.

Choisissez une marker variable avant de collecter quoi que ce soit. Un marker est un construit mesuré avec la même méthode que vos construits focaux mais théoriquement sans lien avec aucun d'eux ; la corrélation qu'il partage avec eux estime le method variance (Lindell & Whitney, 2001). Il doit être choisi a priori et justifié, car un marker choisi après coup — généralement la variable avec la corrélation la plus faible dans le jeu de données — est un résultat choisi dans les données, pas un marker. Lindell et Whitney (2001) autorisaient à l'origine un marker proxy tiré des données quand aucun n'avait été planifié. Des travaux ultérieurs montrent que c'est là que la méthode s'effondre, donc traitez le marker a priori comme la seule version défendable (Simmering et al., 2015). Cette seule décision, prise avant le lancement, vous donne une défense plus solide que tous les tests post hoc réunis.

Il existe deux façons d'utiliser un marker. L'ajustement corrélationnel retire par partialisation la corrélation du marker des corrélations observées (Lindell & Whitney, 2001). La technique CFA marker modélise le marker comme un facteur latent à l'intérieur du modèle de mesure, et c'est la seule approche post hoc que Richardson, Simmering, et Sturman (2009) ont trouvée digne de confiance, à condition que le marker soit bon. Si vous pouvez la modéliser, préférez la version CFA.

Consignez tout cela dans votre plan d'analyse. Des remèdes décidés avant la collecte de données sont des remèdes ; les mêmes choix décrits après que les résultats sont connus sont un récit. Un modèle de préenregistrement est le moyen le plus simple de les fixer, et c'est ce qui vous permet d'écrire « comme prévu » l'esprit tranquille.

Trois notes sur le reporting. Gardez les items du marker hors des composites de votre modèle de mesure, et quand vous rapportez la cohérence interne des échelles focales, préférez l'omega ou la composite reliability au Cronbach's alpha — l'alpha augmente avec le nombre d'items, donc une longue échelle peut paraître fiable pour la mauvaise raison. Gardez au moins trois items par construit réflexif : des échelles très courtes affaiblissent la fiabilité et rendent le modèle ULMC plus difficile à identifier. Et quels que soient les résultats des tests, un design transversal (cross-sectional) n'établit pas la causalité : le bon verbe dans votre conclusion est « soutient » (supports), pas « prouve ».

Un exemple concret

Une étude transversale teste un modèle d'acceptation technologique dans un seul questionnaire en ligne, N = 312 ; deux vagues n'étaient pas faisables. L'équipe a appliqué les remèdes procéduraux ci-dessus au stade de la conception, puis a fait tourner une batterie plutôt qu'un test unique. La rédaction, à adapter pour vos propres sections Méthode et Résultats :

Several procedural remedies were applied at the design stage (Podsakoff et al., 2003; MacKenzie & Podsakoff, 2012). Predictor and criterion constructs were placed in separate questionnaire sections, divided by a page break and an unrelated demographic block. Response formats differed across constructs: perceived usefulness and perceived ease of use on seven-point Likert agreement scales, attitude on a seven-point semantic differential, and behavioral intention on a 0–100 slider. Because changing the format of a published scale costs comparability with its validation, the slider was used only for the single-item intention measure written for this study; the Davis (1989) scales were kept in their published seven-point form. Participants were informed that responses were anonymous and that there were no right or wrong answers, and the order of the two attitude blocks was randomized. A marker variable, selected before data collection as theoretically unrelated to the focal constructs, was included in the questionnaire.

Statistical checks were run as a secondary step. Harman's single-factor test is reported for completeness only, given its documented low power (Fuller et al., 2016; Howard et al., 2024): the first unrotated factor accounted for 31.4% of the variance. An unmeasured latent method construct was then added to the measurement model, and standardized loadings changed by less than .05 in all cases. Full collinearity VIF values ranged from 1.42 to 2.87, below the 3.3 criterion (Kock, 2015). The marker correlated weakly with the focal constructs (mean r = .04). After the Lindell and Whitney (2001) adjustment, every construct correlation that was significant before the adjustment remained significant. Taken together, these results support the conclusion that common method bias is unlikely to account for the observed relationships, although the cross-sectional design does not permit causal inference.

Deux paragraphes, aucune posture défensive, chaque affirmation calibrée. Un relecteur qui lit cela a ce qu'il lui faut pour juger la question.

Erreurs courantes à éviter

• Rapporter le test de Harman à facteur unique comme si une valeur inférieure à 50 % réglait la question — il n'a presque aucune puissance pour détecter un biais.
• Choisir une marker variable après avoir vu la matrice de corrélation, généralement la plus faible ; un marker doit être choisi et justifié avant la collecte de données.
• Traiter un common latent factor test réussi comme la preuve de l'absence de biais — la même correction peut déformer les estimations quand aucun biais n'est présent.
• Écrire que les résultats « prouvent » le modèle quand le design est transversal et à source unique ; le verbe honnête est « soutient » (supports).
• Varier le format de réponse d'une échelle publiée et validée pour satisfaire un remède, et perdre la comparabilité avec la validation originale.
• Laisser les items du marker se charger sur vos construits focaux, ou entrer dans les composites et les estimations de fiabilité.

Questions fréquentes

References

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008

Fuller, C. M., Simmering, M. J., Atinc, G., Atinc, Y., & Babin, B. J. (2016). Common methods variance detection in business research. Journal of Business Research, 69(8), 3192–3198. https://doi.org/10.1016/j.jbusres.2015.12.008

Howard, M. C., Boudreaux, M., & Oglesby, M. (2024). Can Harman's single-factor test reliably distinguish between research designs? Not in published management studies. European Journal of Work and Organizational Psychology, 33(6), 790–804. https://doi.org/10.1080/1359432X.2024.2393462

Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1–10. https://doi.org/10.4018/ijec.2015100101

Lindell, M. K., & Whitney, D. J. (2001). Accounting for common method variance in cross-sectional research designs. Journal of Applied Psychology, 86(1), 114–121. https://doi.org/10.1037/0021-9010.86.1.114

MacKenzie, S. B., & Podsakoff, P. M. (2012). Common method bias in marketing: Causes, mechanisms, and procedural remedies. Journal of Retailing, 88(4), 542–555. https://doi.org/10.1016/j.jretai.2012.08.001

Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879

Podsakoff, P. M., MacKenzie, S. B., & Podsakoff, N. P. (2012). Sources of method bias in social science research and recommendations on how to control it. Annual Review of Psychology, 63, 539–569. https://doi.org/10.1146/annurev-psych-120710-100452

Podsakoff, P. M., Podsakoff, N. P., Williams, L. J., Huang, C., & Yang, J. (2024). Common method bias: It's bad, it's complex, it's widespread, and it's not easy to fix. Annual Review of Organizational Psychology and Organizational Behavior, 11, 17–61. https://doi.org/10.1146/annurev-orgpsych-110721-040030

Richardson, H. A., Simmering, M. J., & Sturman, M. C. (2009). A tale of three perspectives: Examining post hoc statistical techniques for detection and correction of common method variance. Organizational Research Methods, 12(4), 762–800. https://doi.org/10.1177/1094428109332834

Simmering, M. J., Fuller, C. M., Richardson, H. A., Ocal, Y., & Atinc, G. M. (2015). Marker variable choice, reporting, and interpretation in the detection of common method variance: A review and demonstration. Organizational Research Methods, 18(3), 473–511. https://doi.org/10.1177/1094428114560023

Spector, P. E. (2006). Method variance in organizational research: Truth or urban legend? Organizational Research Methods, 9(2), 221–232. https://doi.org/10.1177/1094428105284955

Comment Explonia fait cela pour vous

Explonia prend en charge les deux moitiés de cet article. Au stade de la conception, plus d'une douzaine de types de questions — échelle de Likert, matrice, bipolaire (différentiel sémantique), curseur, échelle visuelle, classement, somme constante — vous permettent de varier les formats de réponse et les ancrages entre construits sans quitter le constructeur, et la randomisation au niveau des sections répartit l'ordre des blocs entre les répondants ; la galerie d'exemples montre comment le flux et les options d'accès fonctionnent en pratique. Au stade de l'analyse, l'onglet CB-SEM rapporte la batterie que ce guide recommande : le test de Harman à facteur unique, un common latent factor (ULMC) avec les charges avant et après, et le full collinearity VIF par rapport au critère de 3.3 — expliqués sur la page méthodes sur le common method bias, aux côtés de la fiabilité pour que les preuves de validité et de method bias se retrouvent ensemble. Chaque analyse est disponible dans chaque plan, le plan gratuit étant plafonné à 100 réponses. La fonction « Article description » rédige des phrases au format APA à partir de votre ajustement de modèle, de vos chemins et de vos résultats de médiation — vous restez l'auteur et modifiez chaque mot. Les chiffres de method bias (Harman, CLF, full collinearity VIF) apparaissent dans le panneau de diagnostics CB-SEM, et vous rédigez ce paragraphe vous-même ; l'exemple ci-dessus montre une façon de le formuler. La syntaxe du modèle pour R (lavaan) et Python (semopy) peut être téléchargée depuis l'onglet Export de l'analyse. L'export natif des données vers SPSS/.sav, R et AMOS est disponible sur les plans payants. Si c'est votre premier modèle de mesure, le parcours TAM commence une étape plus tôt, les attention checks couvrent l'autre moitié de la qualité des données, et le guide des points d'une échelle de Likert traite plus en profondeur le choix du format de réponse mentionné ci-dessus.

Prêt à concevoir le biais hors de votre questionnaire plutôt que de le tester après coup ? Construisez votre questionnaire avec des blocs séparés et des formats de réponse variés, puis lancez la batterie complète de tests de method bias sur vos propres données. Commencer gratuitement →