L'analyse factorielle confirmatoire.

More documents

Recommendations

Info

Faites l'exercice d'examiner la deuxième équation dans l'encadré. Que pouvezvous dire de l'influence des variables latentes Visual, Verbal et Speed sur la mesure observée des CUBES Quel est le pourcentage de variance expliquée pour la variable CUBES LISREL Estimates (Maximum Likelihood) LISREL Estimates (Maximum Likelihood) Measurement Equations VIS PERC = 0.672*Visual, Errorvar.= 0.548 , R² = 0.452 (0.0910) (0.0971) 7.388 5.645 CUBES = 0.513*Visual, Errorvar.= 0.737 , R² = 0.263 (0.0924) (0.101) 5.551 7.300 LOZENGES = 0.684*Visual, Errorvar.= 0.532 , R² = 0.468 (0.0910) (0.0974) 7.516 5.461 PAR COMP = 0.867*Verbal, Errorvar.= 0.248 , R² = 0.752 (0.0702) (0.0515) 12.348 4.819 SEN COMP = 0.830*Verbal, Errorvar.= 0.311 , R² = 0.689 (0.0715) (0.0537) 11.608 5.787 WORDMEAN = 0.826*Verbal, Errorvar.= 0.318 , R² = 0.682 (0.0716) (0.0541) 11.525 5.882 ADDITION = 0.660*Speed, Errorvar.= 0.564 , R² = 0.436 (0.0853) (0.0874) 7.742 6.458 COUNTDOT = 0.801*Speed, Errorvar.= 0.359 , R² = 0.641 (0.0846) (0.0896) 9.464 4.006 S-C CAPS = 0.677*Speed, Errorvar.= 0.542 , R² = 0.458 (0.0851) (0.0869) 7.949 6.235 _____________________________________________________________________________ © Tous droits réservés, Jacques Baillargeon Page 30 9 janvier, 2006
Remarquez maintenant comment les différents paramètres reproduits dans l’encadré ci-haut se retrouvent également dans le graphique représentant le modèle mis à l’épreuve. On y voit clairement a) les variances d’erreur de chaque variable manifeste, c'est-à-dire la proportion de variance qui n’est pas expliquée par l’influence des facteurs communs, b) les coefficients de régression représentant l’influence des variables latentes sur leurs variables manifestes respectives et c) la variance de chacune des trois variables latentes puisqu’il s’agit ici de variables standardisées possédant chacune une unité de variance. Les indices d'ajustement dans les sorties de résultats en format SIMPLIS LISREL fournit un nombre impressionnant d'indices permettant d'évaluer le niveau d'ajustement d'un modèle. D'ailleurs il est reconnu que la qualité d'un modèle ne peut pas se décider sur la base d'un indice unique. En situation de recherche « réelle » il n'est pas rare d'être confronté à des indices contradictoires, les uns tendant à invalider le modèle, les autres suggérant au contraire que le modèle est acceptable. Dans un tel cas, il est d'autant plus important d'appuyer notre conclusion sur plusieurs indices convergents. Voici quelques commentaires sur les indices d’ajustement, dans l’ordre où ils sont produits dans une analyse typique : _____________________________________________________________________________ © Tous droits réservés, Jacques Baillargeon Page 31 9 janvier, 2006
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 and 28: - - - - - - - - - - - - - - - - - -
Page 29: Les estimés des paramètres en for
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.

Create successful ePaper yourself

Delete template?

Save as template?