Dans l'analyse de questionnaires comportant de nombreuses questions, les corrélations complexes entre les items rendent difficile la priorisation de ces derniers après l'analyse. Cette étude propose une méthode de sélection des items importants basée sur les saturations factorielles composites afin de pallier cette difficulté. Les items multiples liés au résultat sont synthétisés par une analyse en composantes principales (ACP), la première composante principale (ZY1) étant utilisée comme variable dépendante. Par ailleurs, compte tenu du grand nombre de questions causales, celles-ci sont regroupées par une analyse de clusters (ou analyse de regroupement) basée sur leur structure de corrélation. Ensuite, une analyse de régression multiple de sélection de variables, avec ZY1 comme variable dépendante et les composantes principales de chaque groupe comme variables indépendantes, extrait les composantes principales ayant un impact significatif sur la variable dépendante. Cependant, il est impossible d'accéder directement aux composantes principales elles-mêmes, et la détermination des items importants s'avère complexe lorsque plusieurs composantes principales sont sélectionnées au sein d'un même groupe. C'est pourquoi cette étude présente une méthode de sélection des items importants basée sur les saturations factorielles composites, qui intègrent l'information des composantes principales sélectionnées. Toutes les méthodes analytiques utilisées dans cette étude, y compris l'ACP, l'analyse de clusters et l'analyse de régression multiple, peuvent être mises en œuvre à l'aide du logiciel JMP. Cette méthode peut être utilisée comme une approche pratique pour faciliter la sélection prioritaire des éléments importants dans l'analyse d'enquêtes comportant de nombreuses questions.
