L'analyse factorielle confirmatoire.

Goodness of Fit Statistics
Degrees of Freedom = 24
Minimum Fit Function Chi-Square = 52.626 (P = 0.000648)
d l = ½ k(k + 1) - t
où k = nombre de variables observées et
t = nombre de paramètres estimés
Indice le plus connu testant l'hypothèse nulle voulant que le modèle
rende compte parfaitement des données. Un χ 2 significatif indique
qu’il y a des écarts significatifs entre les prédictions du modèle et les
données observées.
Un problème avec ce premier indice, c'est que la taille des
échantillons est telle que souvent des différences significatives
seront détectées par le χ 2 , alors que ces différences ne sont pas
« théoriquement » de grande importance. Il est donc possible de
conserver un modèle même en présence d'un χ 2 significatif.
Normal Theory Weighted Least Squares
Chi-Square = 49.966 (P = 0.00143)
Estimated Non-centrality Parameter (NCP) = 25.966
90 Percent Confidence Interval for NCP = (9.461 ;
50.223)
Population Discrepancy Function Value (F 0 ) = 0.180
Même interprétation que le χ 2 précédent.
Correspond au χ 2 précédent moins (-) le nombre de degrés de
liberté. Plus cette valeur est grande, plus il y a divergence entre le
modèle et les données.
Intervalle de confiance à 90% de l'indice NCP.
Contrairement au χ 2 , cet indice ne pose pas comme postulat que le
modèle tienne parfaitement dans la population. Aussi, puisque F 0
décroît généralement à mesure que des paramètres sont ajoutés au
modèle, il est recommandé de tenir compte du nombre de dl.
90 Percent Confidence Interval for F 0 = (0.0657 ; 0.349) Intervalle de confiance à 90% de l'indice F 0 .
Root Mean Square Error of Approximation (RMSEA) = 0.0867 S'obtient en prenant la racine carrée de F 0 / dl. Cet indice évalue
_____________________________________________________________________________
© Tous droits réservés, Jacques Baillargeon Page 32 9 janvier, 2006