L’AVE (Average Variance Extracted), ou variance moyenne extraite, mesure la part de variance que vos indicateurs partagent réellement avec leur variable latente. En clair : votre construct capte-t-il du signal ou du bruit ? C’est l’une des questions centrales de tout modèle de mesure solide.
Avant d’entrer dans le détail, voici ce que vous allez trouver dans cet article :
- la définition précise de l’AVE et son rôle en SEM, CFA et PLS-SEM
- la formule de calcul, étape par étape, avec un exemple chiffré
- les seuils d’acceptation et les cas limites à connaître
- les erreurs courantes et les bonnes pratiques pour améliorer vos résultats
- une checklist prête à intégrer dans un mémoire ou un article scientifique
Que vous soyez chercheur, étudiant en master ou consultant en stratégie de mesure, ce guide vous donne les clés pour maîtriser l’AVE de A à Z.
Définition de l’Average Variance Extracted (AVE)
L’AVE est un indicateur statistique issu de la psychométrie. Il quantifie la proportion moyenne de variance expliquée par un construct (variable latente) à travers ses indicateurs observés.
Autrement dit : quelle part de ce que mesurent vos items reflète réellement le concept visé ? Le reste — soit (1 − AVE) — correspond à l’erreur de mesure. Un AVE de 0,65 signifie que 65 % de la variance est capturée par le construct, et 35 % relève du bruit ou d’imprécisions de mesure. Proposé initialement par Fornell et Larcker en 1981, cet indicateur reste une référence incontournable dans l’évaluation des modèles de mesure réflectifs.
À quoi sert l’AVE en CFA, SEM et PLS-SEM
L’AVE s’utilise dans trois grands contextes méthodologiques :
| Contexte | Usage principal | Logiciel courant |
|---|---|---|
| CFA (Analyse factorielle confirmatoire) | Évaluer la qualité du modèle de mesure | AMOS, R (lavaan) |
| SEM (Modèles d’équations structurelles) | Valider les constructs avant test des relations | AMOS, Mplus |
| PLS-SEM | Mesure de validité convergente et discriminante | SmartPLS |
Dans chacun de ces cadres, l’AVE se calcule pour chaque construct séparément. Elle ne s’applique pas au modèle global.
AVE et validité convergente : ce que l’indicateur mesure vraiment
La validité convergente vérifie que les items censés mesurer le même concept convergent effectivement vers ce concept. L’AVE est l’outil de référence pour l’évaluer.
Une AVE élevée indique que vos indicateurs mesurent bien la même chose. Une AVE faible suggère que les items divergent, ou qu’ils capturent autant — voire davantage — d’erreur que de signal. C’est une distinction fondamentale avec la fiabilité (Cronbach, fiabilité composite), qui mesure la cohérence interne mais pas la qualité de capture du construct.
Formule de l’AVE et logique "variance expliquée vs erreur de mesure"
La formule standard de l’AVE est la suivante :
AVE = Σ(λᵢ²) / [Σ(λᵢ²) + Σ(εᵢ)]
Avec :
- λᵢ : charge factorielle standardisée de l’item i
- λᵢ² : variance expliquée par le construct pour l’item i
- εᵢ : variance résiduelle (erreur) de l’item i, soit (1 − λᵢ²)
Une formulation simplifiée, souvent utilisée en pratique :
AVE = Σ(λᵢ²) / n
où n est le nombre d’indicateurs. Cette version suppose que les charges sont standardisées et que les erreurs sont orthogonales.
Comment calculer l’AVE étape par étape (avec charges factorielles)
Voici la procédure complète, illustrée avec un construct fictif à 4 items :
Étape 1 — Relever les charges factorielles standardisées (λ)
| Item | Charge (λ) | λ² |
|---|---|---|
| Item 1 | 0,82 | 0,672 |
| Item 2 | 0,76 | 0,578 |
| Item 3 | 0,88 | 0,774 |
| Item 4 | 0,71 | 0,504 |
| Total | — | 2,528 |
Étape 2 — Calculer la moyenne des λ²
AVE = 2,528 / 4 = 0,632
Étape 3 — Interpréter
63,2 % de la variance est expliquée par le construct. L’erreur de mesure représente 36,8 %. Ce résultat dépasse le seuil de 0,50 : la validité convergente est satisfaisante.
Exemple d’interprétation de l’AVE sur un construct (lecture en pourcentage)
Pour rendre l’AVE plus intuitive, voici des valeurs issues d’études empiriques réelles :
| Construct | AVE | Signal | Erreur |
|---|---|---|---|
| Sharing Attitude (SA) | 0,745 | 74,5 % | 25,5 % |
| Incentive (Inc) | 0,668 | 66,8 % | 33,2 % |
| Quality (Qu) | 0,658 | 65,8 % | 34,2 % |
| Use Behavior (Use) | 0,648 | 64,8 % | 35,2 % |
| Perceived Ease of Use (PEU) | 0,512 | 51,2 % | 48,8 % |
Le construct PEU se situe juste au-dessus du seuil minimal. Il est acceptable, mais fragile : une suppression d’item ou un problème d’échantillonnage pourrait le faire chuter.
Seuils d’acceptation (AVE ≥ 0,50) et cas limites autour de 0,40–0,50
Le seuil de référence universel est AVE ≥ 0,50 (Fornell & Larcker, 1981). Il garantit que le construct capte plus de signal que d’erreur.
En pratique, on observe parfois des valeurs entre 0,40 et 0,50. Certains chercheurs les tolèrent si la fiabilité composite (CR) dépasse 0,60 et si les charges factorielles restent globalement satisfaisantes (≥ 0,60). Cela reste une exception à justifier explicitement dans votre article ou mémoire.
⚠️ Une AVE de 0,43 signifie que 57 % de la variance mesurée est de l’erreur. Cela fragilise fortement vos conclusions.
Que signifie une AVE faible : causes fréquentes et diagnostic rapide
Une AVE inférieure à 0,50 traduit un problème de mesure. Les causes les plus fréquentes sont :
- des items mal formulés ou ambigus (le répondant ne sait pas ce qu’on lui demande)
- des items qui mesurent plusieurs choses à la fois (items "composites")
- des charges factorielles trop faibles (< 0,50 voire < 0,60)
- un construct trop large ou mal défini théoriquement
- un échantillon trop petit, qui génère une instabilité dans les estimations
Un diagnostic rapide : examinez chaque charge λ individuellement. Si plusieurs items affichent λ < 0,60, l’AVE sera mécaniquement faible.
Comment améliorer l’AVE sans dégrader le construct (bonnes pratiques)
Améliorer l’AVE ne signifie pas supprimer des items à la chaîne. Voici les bonnes pratiques :
- Réviser la formulation des items faibles avant toute suppression
- Supprimer un item à la fois, en recalculant l’AVE après chaque retrait
- Vérifier la cohérence théorique : un item supprimé doit rester défendable conceptuellement
- Contrôler la fiabilité composite (CR) après modification : elle ne doit pas chuter sous 0,70
- Ne pas supprimer plus de 1 à 2 items par construct sans revisiter le cadre conceptuel
Un construct à 3 items avec AVE = 0,58 est souvent préférable à un construct à 5 items avec AVE = 0,44.
Différence entre AVE, fiabilité composite (CR) et alpha de Cronbach
| Indicateur | Ce qu’il mesure | Seuil recommandé |
|---|---|---|
| AVE | Part de variance captée par le construct | ≥ 0,50 |
| Fiabilité composite (CR) | Cohérence interne pondérée par les charges | ≥ 0,70 |
| Alpha de Cronbach | Cohérence interne non pondérée | ≥ 0,70 |
L’AVE et la CR se complètent. Il est possible d’avoir une CR élevée avec une AVE faible — notamment quand le nombre d’items est grand. C’est pourquoi les deux indicateurs doivent toujours être rapportés ensemble.
AVE et validité discriminante : lien avec Fornell-Larcker et limites
Le critère de Fornell-Larcker stipule que la racine carrée de l’AVE d’un construct doit être supérieure à ses corrélations avec tous les autres constructs du modèle. C’est le test classique de validité discriminante.
Exemple : si AVE(Qu) = 0,658, alors √0,658 ≈ 0,81. Toutes les corrélations entre "Qualité" et les autres constructs doivent être inférieures à 0,81.
Une limite importante : ce critère manque de sensibilité pour détecter les problèmes de discriminance quand les corrélations inter-constructs sont modérées. Le critère HTMT (Henseler et al., 2015) est souvent recommandé en complément, notamment en PLS-SEM.
Erreurs courantes et pièges d’interprétation (AVE "acceptable" mais mesure fragile)
- Confondre AVE et fiabilité : une bonne CR n’implique pas une bonne AVE.
- Arrondir à la hausse : une AVE de 0,498 n’est pas "≈ 0,50". Elle est sous le seuil.
- Ne pas signaler une AVE limite : une valeur de 0,51 doit être mentionnée et discutée.
- Supprimer des items uniquement pour améliorer l’AVE sans justification théorique.
- Omettre de recalculer l’AVE après modification du modèle de mesure.
Checklist pratique à reporter dans un mémoire ou un article scientifique
Avant de soumettre votre travail, vérifiez chaque point :
- L’AVE est calculée pour chaque construct séparément
- Toutes les valeurs d’AVE sont ≥ 0,50 (ou justifiées si entre 0,40 et 0,50)
- Les charges factorielles standardisées sont rapportées dans un tableau
- La fiabilité composite (CR) est présentée avec l’AVE
- Le critère de Fornell-Larcker (et/ou HTMT) est appliqué pour la validité discriminante
- Les suppressions d’items sont justifiées théoriquement et méthodologiquement
- La méthode de calcul (logiciel, version) est indiquée
FAQ sur l’Average Variance Extracted (calcul, seuils, suppression d’items)
Peut-on avoir une bonne AVE avec un alpha de Cronbach faible ?
Oui, dans des cas rares. L’alpha de Cronbach est sensible au nombre d’items. Avec peu d’items mais de fortes charges, l’AVE peut être bonne et l’alpha modéré.
Faut-il reporter l’AVE en CFA classique ou seulement en PLS-SEM ?
L’AVE est pertinente dans les deux cadres. Elle est simplement plus systématiquement exigée en PLS-SEM selon les standards de Hair et al. (2017).
Que faire si un seul item tire l’AVE vers le bas ?
Commencez par vérifier sa charge factorielle. Si λ < 0,50, sa suppression est discutable mais défendable si la représentation théorique du construct reste intacte.
L’AVE peut-elle dépasser 0,80 ?
Oui. Une AVE de 0,745 (comme pour "Sharing Attitude") est excellente. Au-delà de 0,80, vérifiez l’absence de redondance entre items : des items trop similaires gonflent artificiellement l’AVE.
À retenir
- L’AVE mesure la part de variance captée par un construct via ses indicateurs
- Le seuil de référence est AVE ≥ 0,50 (Fornell & Larcker, 1981)
- Une AVE faible signale un problème de qualité des items ou de définition du construct
- L’AVE doit toujours être lue avec la fiabilité composite (CR)
- Le critère de Fornell-Larcker relie l’AVE à la validité discriminante