HTMT vs Fornell-Larcker : guide de la validité discriminante

Andrzej Szymkowiak · Dernière révision : juin 2026

Un relecteur vient d'écrire : « Montrez que vos construits sont distincts. » Voici exactement comment le faire, et quel test utiliser. La validité discriminante pose une question simple : deux construits de votre modèle sont-ils réellement différents l'un de l'autre ? Si deux facteurs sont presque la même chose, votre modèle a un problème. Pendant des années, les chercheurs ont vérifié cela avec le critère de Fornell-Larcker. Aujourd'hui, la plupart des relecteurs préfèrent le ratio HTMT. Ce guide explique les deux méthodes en langage simple, montre les seuils corrects, et vous aide à décider lequel rapporter.

Ce que signifie la validité discriminante

Disons que vous mesurez la « confiance » et la « satisfaction » avec des items de sondage (pour de l'aide sur le choix d'échelles validées, voyez comment trouver une échelle validée). La validité discriminante est soutenue quand les items de la confiance se regroupent comme la confiance, les items de la satisfaction se regroupent comme la satisfaction, et les deux facteurs sont clairement distincts. Si la confiance et la satisfaction sont corrélées presque parfaitement, vous mesurez peut-être un seul construit sous deux noms. Vous vérifiez généralement cela juste après avoir confirmé le modèle de mesure à partir de votre CFA.

Méthode 1 : le critère de Fornell-Larcker

Le critère de Fornell-Larcker (Fornell & Larcker, 1981) compare la variance de chaque facteur dans ses propres items avec la variance qu'il partage avec les autres facteurs.

La règle : pour chaque facteur, la racine carrée de son AVE doit être plus grande que sa corrélation avec chaque autre facteur.

• L'AVE (average variance extracted) est la quantité de variance qu'un facteur explique, en moyenne sur ses items. L'AVE devrait être ≥ .50 (Fornell & Larcker, 1981 ; Hair et al., 2019).
• Vous prenez la racine carrée de chaque AVE et la placez sur la diagonale du tableau des corrélations entre facteurs.
• Hors de la diagonale, vous placez les corrélations entre facteurs.
• Pour la validité discriminante, chaque valeur de la diagonale doit être plus grande que les autres valeurs de sa ligne et de sa colonne.

Exemple concret. La confiance a AVE = .64, donc √.64 = .80. La satisfaction a AVE = .58, donc √.58 = .76. La corrélation entre la confiance et la satisfaction est de .55. Comme .80 et .76 sont tous deux plus grands que .55, le critère de Fornell-Larcker est satisfait.

Méthode 2 : le ratio HTMT

HTMT signifie heterotrait-monotrait ratio of correlations (Henseler, Ringle, & Sarstedt, 2015). En mots simples, il compare la corrélation moyenne des items entre deux facteurs différents avec la moyenne géométrique des corrélations moyennes des items à l'intérieur de chacun des deux facteurs (pas une seule moyenne intra-facteur). Si les items sont corrélés presque aussi fortement entre facteurs qu'à l'intérieur de leur propre facteur, les facteurs ne sont pas distincts.

La règle :

• HTMT < .85 soutient la validité discriminante (seuil strict).
• HTMT < .90 est un seuil plus libéral, utilisé quand les deux construits sont conceptuellement proches.
• Une valeur égale ou supérieure à .90 signale un problème de validité discriminante.

Vous pouvez aussi tester si l'intervalle de confiance HTMT (issu du bootstrap) inclut 1. S'il n'inclut pas 1, la validité discriminante est soutenue. Une version plus stricte teste si la borne supérieure reste sous le seuil (par exemple .85 ou .90) plutôt que seulement sous 1 (Franke & Sarstedt, 2019).

Exemple concret. Pour la confiance et la satisfaction, la valeur HTMT est de .74. Comme .74 est inférieur au seuil strict de .85, la validité discriminante est soutenue. Un intervalle de confiance bootstrap de [.61, .83] n'inclut pas 1, ce qui confirme le résultat.

Pourquoi le HTMT est désormais préféré

Des études de simulation ont montré que le critère de Fornell-Larcker ne détecte souvent pas un manque de validité discriminante, surtout quand les charges des indicateurs au sein d'un construit varient peu. Dans ces cas, Fornell-Larcker dit « tout va bien » alors que les construits sont en réalité trop similaires. Le HTMT détecte ces problèmes bien plus fiablement (Henseler, Ringle, & Sarstedt, 2015). C'est pourquoi de nombreuses revues et relecteurs demandent maintenant le HTMT.

Comparaison côte à côte

Lequel devriez-vous rapporter ?

Rapportez le HTMT comme preuve principale, car c'est le test le plus solide et que les relecteurs l'attendent de plus en plus. Vous pouvez aussi inclure le tableau de Fornell-Larcker, car beaucoup de lecteurs le connaissent encore bien. Rapporter les deux est sûr et courant dans les articles actuels. Quel que soit votre choix, énoncez le seuil que vous avez utilisé et montrez les valeurs, idéalement dans un tableau.

Une courte phrase APA :

Discriminant validity was assessed with the HTMT ratio. All HTMT values were below the strict .85 threshold (maximum = .74), and no bootstrap confidence interval included 1, supporting discriminant validity.

Que faire quand le HTMT est trop élevé

Un HTMT élevé (égal ou supérieur à votre seuil) ne signifie pas toujours que vous devez abandonner un construit. D'abord, vérifiez si les deux construits sont conceptuellement proches — s'ils le sont, le seuil plus libéral de .90 peut être défendable, et vous devriez dire pourquoi. Ensuite, examinez les items : un seul item qui charge sur plusieurs facteurs ou partage une formulation avec un autre facteur peut gonfler le HTMT, et le reformuler ou le retirer (avec une raison énoncée) peut aider. Si deux facteurs se chevauchent toujours fortement, demandez-vous s'ils sont vraiment un seul construit, ou si un facteur d'ordre supérieur les explique tous les deux. Lancez le test d'inférence bootstrap (Franke & Sarstedt, 2019) pour voir si la borne supérieure de confiance passe sous le seuil ; une estimation ponctuelle juste au-dessus de la ligne avec un intervalle de confiance qui reste en dessous raconte une histoire différente d'un échec net. Quoi que vous décidiez, rapportez le changement et le raisonnement, pas seulement le tableau final propre. Pour un guide complet étape par étape — diagnostic, test bootstrap et corrections qui survivent à la relecture — voyez HTMT au-dessus de 0.90 : que faire.

Erreurs courantes à éviter

• Rapporter seulement Fornell-Larcker quand la revue attend le HTMT.
• Traiter .85 et .90 comme interchangeables sans dire lequel vous avez utilisé et pourquoi.
• Sauter la vérification de l'AVE — les deux méthodes supposent AVE ≥ .50.
• Lire l'intervalle de confiance HTMT par rapport à 1 seulement, alors qu'un test plus strict compare la borne supérieure au seuil.
• Ajouter un zéro initial au HTMT, à l'AVE, ou aux corrélations (écrire .74, pas 0.74).

Une note sur l'AVE

Les deux méthodes dépendent de l'AVE, alors assurez-vous d'abord que l'AVE de chaque facteur est ≥ .50 (Fornell & Larcker, 1981 ; Hair et al., 2019). Si l'AVE est inférieur à .50, le facteur n'explique pas, en moyenne sur ses items, même la moitié de leur variance, et la validité discriminante est difficile à revendiquer quelle que soit la méthode utilisée.

Questions fréquentes

References

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.2307/3151312

Franke, G., & Sarstedt, M. (2019). Heuristics versus statistics in discriminant validity testing: A comparison of four procedures. Internet Research, 29(3), 430–447. https://doi.org/10.1108/IntR-12-2017-0515

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8

Comment Explonia fait cela pour vous

Explonia calcule à la fois le HTMT et le tableau de Fornell-Larcker à partir de votre modèle CFA ou PLS-SEM, avec l'AVE — et, en PLS-SEM, les intervalles de confiance bootstrap pour le HTMT. Il signale toute valeur au-dessus du seuil que vous avez choisi (.85 ou .90) pour que vous puissiez repérer les problèmes d'un coup d'œil. La fonction « Article description » rédige une phrase APA avec vos chiffres réels, que vous modifiez ensuite et gardez comme la vôtre. Vous pouvez exporter les tableaux vers Word, R, SPSS/.sav, AMOS, ou LaTeX. Si vous utilisez actuellement SmartPLS pour le PLS-SEM, voyez comment Explonia se compare à SmartPLS. Apprenez-en plus sur nos méthodes HTMT.

Vous voulez vérifier la validité discriminante en quelques minutes ? Lancez le HTMT et Fornell-Larcker dans Explonia et obtenez une phrase de résultats prête à modifier. Commencer gratuitement →