Dans le processus de développement d’une échelle de mesure, de plus en plus de chercheurs en marketing mobilisent aujourd’hui le modèle bifactoriel IRT symétrique dans la phase confirmatoire. Pourtant, celui-ci donne souvent lieu à des anomalies (des loadings non significatifs par exemple) qui peuvent remettre en question l’interprétation générale du modèle et conduire à l’effondrement d’un facteur spécifique. C’est donc pour pallier les limites du modèle bifactoriel conventionnel symétrique que des modèles bifactoriels asymétriques ont été proposés ; pourtant, la recherche en marketing n’a pas encore, à notre connaissance, vraiment examiné leur intérêt. Dans cette communication nous commençons par présenter le modèle bifactoriel IRT symétrique conventionnel à réponses graduées et ses développements asymétriques pour échelles multidimensionnelles à items polytomiques ordinaux. Nous abordons ensuite les anomalies liées à l’application du modèle bifactoriel symétrique et leurs conséquences en termes d’interprétation pour les mesures en marketing, mettant ainsi en exergue l’importance du respect d’une hypothèse supplémentaire pour l’application du modèle symétrique. Nous montrons enfin l’intérêt des modèles asymétriques pour les mesures en marketing. A partir d’un exemple empirique basé sur l’échelle de mesure des profils d’implication, nous commençons par aborder les conséquences pour les mesures en marketing d’anomalies en termes de loadings pour l’interprétation du modèle bifactoriel symétrique. Nous mettons en évidence que la recherche en psychométrie s’est concentrée sur les conséquences en termes d’interprétation d’anomalies présentes sur les facteurs spécifiques du modèle bifactoriel symétrique négligeant ainsi les conséquences d’anomalies présentes sur le facteur général. Dans ce travail, nous montrons que la présence de loadings faibles ou non significatifs sur le facteur général entraîne un changement de sens pour un facteur spécifique qui devient un domaine de référence défini par les variables y saturant seulement. En cohérence avec la littérature, nous montrons que la présence de loadings non significatifs ou proches de zéro sur un facteur spécifique dans un modèle bifactoriel symétrique conduit empiriquement à un changement de sens du modèle symétrique vers un modèle asymétrique mais orthogonal même s’il n’a pas été spécifié comme tel initialement. En conséquence de ce changement de sens possible lié aux données, nous distinguons une hypothèse supplémentaire pour l’application d’un modèle bifactoriel symétrique que nous appellerons conjonction. D’après cette hypothèse, chaque variable observée doit empiriquement saturer significativement sur le facteur général et un facteur spécifique sous peine de remettre en question l’interprétation du modèle. En nous appuyant sur l’équivalence formelle établie dans la littérature entre le domaine de référence d’un modèle bifactoriel asymétrique et une facette d’un modèle à traits corrélés, nous montrons – dans le cas d’un modèle à réponses graduées – que le modèle bifactoriel asymétrique est une représentation préférable à un modèle à traits corrélés lorsqu’une facette d’un modèle à traits corrélés représente une part importante de la variance d’une échelle multidimensionnelle. Nous montrons également que le modèle bifactoriel asymétrique est une représentation préférable à un modèle à traits corrélés lorsque l’objectif de la recherche est d’examiner la variance autour de la facette de référence et ses relations avec d’autres construits ou variables.