Covariance-Based Structural Equation Modeling (CB-SEM)
Le SEM basé sur la covariance (CB-SEM) teste un modèle théorique complet, à la fois la partie mesure et les chemins entre construits, en reproduisant la matrice de covariance observée. Il fournit des indices d'ajustement global, ce qui permet de confirmer ou de rejeter une théorie. Les seuils couramment utilisés sont un CFI et un TLI de .95 ou plus, un RMSEA de .06 ou moins et un SRMR de .08 ou moins (Hu & Bentler, 1999). Des seuils plus souples sont souvent jugés acceptables : un CFI/TLI de .90 (Bentler & Bonett, 1980), un RMSEA de .08 (Browne & Cudeck, 1993) et un SRMR de .10 (Schermelleh-Engel et al., 2003). Le CB-SEM convient à une théorie mûre avec des construits réflexifs ; pour la prédiction ou des construits formatifs, envisagez le PLS-SEM.
Cette page est une traduction de l'original anglais relu. Voir l'original (EN)
cb-sem sem basé covarianceCe que c'est
Le covariance-based structural equation modeling (CB-SEM) teste un modèle théorique complet — à la fois la partie mesure et les relations entre construits — en reproduisant la matrice de covariance observée. Il pose une seule question : une population qui correspond à mon modèle produirait-elle les covariances que je vois réellement dans mes données ? Le CB-SEM donne des indices d'ajustement globaux, ce qui permet de confirmer ou de rejeter une théorie. C'est l'outil confirmatoire classique derrière des logiciels comme AMOS et lavaan, et il convient à une théorie mûre avec des construits réflexifs.
Quand l'utiliser
- Vous testez et confirmez une théorie établie, vous ne l'explorez pas et ne la construisez pas.
- Vos construits sont réflexifs (les indicateurs sont causés par la variable latente).
- Vous avez besoin d'indices d'ajustement globaux pour confirmer toute la structure d'un coup.
- Votre échantillon est raisonnablement grand et vos indicateurs sont à peu près normaux (ou vous utilisez un estimateur robuste).
Quand ne pas l'utiliser
- Votre objectif est la prédiction, ou vous avez des construits formatifs et un petit échantillon — envisagez plutôt le PLS-SEM.
- Vous n'avez pas encore de modèle clairement hypothétique — commencez par l'EFA et la CFA.
Hypothèses
- Modèle de mesure réflexif avec des construits bien identifiés.
- Normalité multivariée, ou un estimateur robuste (MLR) quand les indicateurs ne suivent pas une loi normale.
- Taille d'échantillon adéquate par rapport au nombre de paramètres libres.
- Spécification correcte du modèle — des chemins ou erreurs omis biaisent l'ajustement.
- Relations linéaires entre les variables latentes.
Seuils et valeurs limites
| Criterion | Rule of thumb | Source |
|---|---|---|
| CFI | ≥ .95 bon, ≥ .90 acceptable | Bon : Hu & Bentler (1999; https://doi.org/10.1080/10705519909540118). Acceptable : Bentler & Bonett (1980; https://doi.org/10.1037/0033-2909.88.3.588), appliqué au CFI par convention |
| TLI | ≥ .95 bon, ≥ .90 acceptable | Bon : Hu & Bentler (1999). Acceptable : Bentler & Bonett (1980) |
| RMSEA | ≤ .06 bon, ≤ .08 acceptable | Bon : Hu & Bentler (1999). Acceptable : Browne & Cudeck (1993) |
| SRMR | ≤ .08 bon, ≤ .10 acceptable | Bon : Hu & Bentler (1999). Acceptable : Schermelleh-Engel, Moosbrugger & Müller (2003, p. 38) |
| χ² (ajustement exact) | À rapporter avec les df ; non significatif favorise l'ajustement mais sensible à N | Hu & Bentler (1999); Marsh, Hau & Wen (2004) |
| χ²/df | ≤ 2 bon, ≤ 3 acceptable, comme repère approximatif seulement ; le ratio n'a pas de base solide, donc préférez CFI/RMSEA/SRMR | Schermelleh-Engel et al. (2003, Table 1, p. 52); Carmines & McIver (1981, p. 80) |
Comment le rapporter en APA
Le modèle structurel a montré un ajustement acceptable, χ²(df) = X.XX, CFI = .9X, RMSEA = .0X, 90% CI [.0X, .0X], SRMR = .0X. Le chemin hypothétique était significatif, β = .XX, SE = .XX, p < .001, et le modèle expliquait R² = .XX de la variance du résultat.
Comment Explonia l'exécute
Explonia estime le modèle CB-SEM complet dans le navigateur à partir des données que vous collectez ou importez. Vous définissez le modèle de mesure et les chemins structurels, et Explonia renvoie les coefficients de chemin standardisés, leur significativité et les indices d'ajustement globaux, avec les seuils appliqués. Elle prépare une « Article description » en style APA des résultats structurels, que vous relisez et modifiez. Vous pouvez exporter vers AMOS, R ou SPSS (.sav) pour reproduire le modèle. L'invariance de mesure pour le CB-SEM multi-groupes est prise en charge.
Questions fréquentes
CB-SEM ou PLS-SEM — lequel utiliser ?
Utilisez le CB-SEM pour confirmer une théorie établie avec des construits réflexifs et des indices d'ajustement globaux. Utilisez le PLS-SEM pour la prédiction, les construits formatifs, les modèles complexes ou les petits échantillons. Voyez notre page PLS-SEM pour la comparaison complète.
Quels indices d'ajustement rapporter pour le CB-SEM ?
Rapportez le χ² avec ses degrés de liberté, le CFI, le RMSEA avec son intervalle de confiance à 90%, et le SRMR. Rapporter plusieurs indices ensemble est la norme (Hu & Bentler, 1999), mais leurs seuils sont des indications plutôt que des règles strictes et peuvent induire en erreur avec des modèles complexes (Marsh, Hau & Wen, 2004). Notez que le χ² est sensible à la taille d'échantillon — il rejette souvent de bons modèles sur de grands échantillons — donc ne vous y fiez pas seul.
Le CB-SEM donne-t-il un R² comme la régression ?
Oui. Le CB-SEM rapporte la variance expliquée (R²) pour chaque construit endogène, à côté des coefficients de chemin entre variables latentes.
Puis-je comparer des groupes en CB-SEM ?
Oui — le CB-SEM multi-groupes avec test d'invariance de mesure (configural, metric, scalar) permet de comparer les relations structurelles entre groupes. Voyez notre page sur l'invariance de mesure.
Last updated: octobre 2026
Lancez CB-SEM sur vos propres données
Collectez ou importez vos données, lancez l'analyse dans votre navigateur et obtenez un brouillon de paragraphe APA que vous pouvez modifier. Commencez gratuitement. Sans carte bancaire.
Commencer gratuitement