L'analyse factorielle confirmatoire.

More documents

Recommendations

Info

[Number of Decimals = 3] Optionnel - Le nombre de décimales est 2 par défaut. - Il est possible d'exiger plus de précision. [Path Diagram] Optionnel Cette commande permet d'obtenir un diagramme du modèle. Lorsque le diagramme est à l'écran il est possible d'ajouter (ou d'éliminer) des liens entre les variables et de réestimer le modèle. Un diagramme peut également être sauvegardé (*.pth) et réutilisé plus tard pour démarrer une analyse. Il est aussi possible, à partir d'un diagramme de modèle de faire générer le code LISREL ou le code SIMPLIS correspondant. [Print Residuals] Optionnel - LISREL présente les valeurs résiduelles de façon succincte. - Cette commande provoquera l'impression de toutes les valeurs résiduelles; la sortie imprimée devient TRÈS volumineuse, mais permet d'examiner avec minutie les sections du modèle qui ne sont pas adéquates. [Lisrel output] Optionnel - Cette commande permet de produire l'output selon le format LISREL plutôt que le format SIMPLIS. Dans certaines circonstances on choisira ce format car quelques statistiques (comme les estimés des effets directs et indirects) ne sont pas disponibles dans le format SIMPLIS par défaut. [End of Problem] Optionnel - Bien que cette dernière commande soit optionnelle, son usage est fortement recommandé. - La commande devient obligatoire si nous désirons placer plusieurs programmes SIMPLIS, les uns à la suite des autres, dans un même fichier. Ce sera le cas dans les analyses multi-groupes. _____________________________________________________________________________ © Tous droits réservés, Jacques Baillargeon Page 28 9 janvier, 2006
Les estimés des paramètres en format SIMPLIS Par défaut LISREL utilise la méthode du « Maximum Likelihood » (ML) pour estimer les différents paramètres d'un modèle. Bien qu'il existe six autres méthodes d'estimation disponibles, la méthode ML est de loin la plus populaire et la plus fréquemment utilisée. Il s'agit d'une procédure itérative qui permet d'estimer simultanément tous les paramètres d'un modèle en tenant compte de l'ensemble des équations définissant le modèle. Sommairement, on peut décrire la procédure comme suit: Une méthode d'estimation rapide « Two-Stage Least Squares » (TSLS) est d'abord utilisée pour déterminer des valeurs de départ pour chacun des paramètres à estimer et la matrice des valeurs résiduelles est alors calculée en comparant la matrice de variance/covariance impliquée et la matrice de données initiales. Le programme calcule alors un nouvel ensemble amélioré de valeurs pour chacun des paramètres et évalue à nouveau la matrice résiduelle... Ce processus se poursuit de façon itérative jusqu'à ce qu'il y ait convergence vers la solution optimale. Au terme de ce processus, on est assuré qu'aucun ajustement des paramètres ne pourrait donner une meilleure approximation de la matrice de variance/covariance initiale. La sortie de résultats en format SIMPLIS donne sous forme d'équations l'ensemble des paramètres du modèle de mesure. Ainsi, pour chaque variable indicatrice (ou observée) une équation donne les pondérations associées aux variables latentes ayant une influence sur cette variable observée. En fait, la sortie imprimée fournit trois informations particulières: a) l'estimé non-standardisé du paramètre, b) l'erreur de mesure du paramètre et c) la valeur t permettant de vérifier la signification du paramètre, à savoir s'il est différent de zéro. Ainsi, l'encadré suivant présente un extrait de la sortie de résultats pour le programme Nine Psychological Variables (ex5A.spl). On peut voir que la variable manifeste « VIS PERC » est influencée selon une pondération de .672 fois la variable latente « Visual. » Ce coefficient s'interprète de la façon habituelle; il correspond au changement dans la variable dépendante (ici VIS PERC) produit par un changement d'une unité dans la variable latente Visual lorsque toutes les autres variables de l'équation sont contrôlées. En divisant le paramètre .672 par son erreur de mesure 0.0910, on obtient la valeur t permettant de tester l'hypothèse que le paramètre est différent de zéro; les valeurs t plus grande que 1.96 sont significatives à p
Page 1 and 2: L’analyse factorielle confirmatoi
Page 3 and 4: Quelques exemples réels d’applic
Page 5 and 6: l’unité et la diversité des fon
Page 7 and 8: Matrices de variance-covariance et
Page 9 and 10: xy = COV xy VAR x × VAR y r xy = S
Page 11 and 12: L'analyse factorielle exploratoire
Page 13 and 14: Tableau 3.5 Matrices factorielles a
Page 15 and 16: facteurs F1 et F2 considérés comm
Page 17 and 18: définitions générales, les modè
Page 19 and 20: En particulier, la figure 3.3 perme
Page 21 and 22: plus loin comment il est possible d
Page 23 and 24: Les différents types de fichiers d
Page 25 and 26: Tableau 3.6 Synthèse des commandes
Page 27: - - - - - - - - - - - - - - - - - -
Page 31 and 32: Remarquez maintenant comment les di
Page 33 and 34: lui aussi l'adéquation entre la ma
Page 35 and 36: Standardized RMR = 0.0755 Goodness
Page 37 and 38: l'ajustement obtenu par un modèle

L'analyse factorielle confirmatoire.

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?