Un défi fondamental dans les modèles d'analyse factorielle est la non-identification structurelle due à l'invariance sous rotations orthogonales. Nous comparons deux contraintes d'identification qui traitent ce problème : les contraintes triangulaires inférieures positives (PLT) et triangulaires inférieures généralisées non ordonnées (UGLT). Nous implémentons des algorithmes MCMC pour les deux dans R, en incorporant l'expansion des paramètres via la distribution gaussienne inverse généralisée afin d'accélérer l'échantillonnage. Pour le modèle UGLT, nous étendons l'échantillonneur Gibbs partiellement effondré de Frühwirth-Schnatter et al. avec un post-traitement pour déterminer le nombre de facteurs. Des études de simulation montrent que chaque modèle fonctionne mieux lorsque ses hypothèses correspondent à la structure de génération des données. Le modèle UGLT récupère correctement le nombre réel de facteurs dans des configurations de surajustement, contrairement au modèle PLT clairsemé. Les a priori de clairsemage des colonnes ont également tendance à donner de mauvais résultats en présence de variables non pertinentes.