Congruence Flashcards
Objectif de la congruence
Vérifier les quantifications et/ou l’organisation des concepts
« Qu’est-ce que je mesure vraiment? »
Moyens utilisés pour vérifier congruence
- Analyses corrélationnelles
- Analyses factorielles
- Équations structurelles
- Approche hypothético-déductive
Système hypothético-déductif
Ensemble d’hypothèses dont les confirmations permettront de déduire que notre instrument est valide
- La confirmation d’une de ces hypothèses est une démonstration de la validité
- La confirmation de plusieurs de ces hypothèses est une démonstration plus solide de la validité
- La non-confirmation d’hypothèses soulève des doutes sur la validité
À quoi servent les critères?
À créer un système hypothético-déductif, qui servira à démontrer la validité de notre instrument à l’étape 5 (congruence).
Barème de Cohen
- Corrélation faible : r = 0,10
- Corrélation moyenne : r = 0,30
- Corrélation forte : r = 0,50
Explications possibles hypothèse non confirmée:
- L’hypothèse de recherche n’était pas bonne
- Le critère n’est pas bon
- Le nouvel instrument n’est pas bon
Atténuation
La formule d’atténuation aide à comprendre pourquoi certaines hypothèses de validité critériée ne sont pas confirmées (problème de fiabilité ou de validité également?)
Écart entre score observé et score vrai = erreur
Erreur dans instrument et erreur dans critère vient contaminer nos hypothèses –> « range » +/- 0,1 pour accepter hypothèse
Atténuation = essaie estimer validité maximal instrument
–> Calcul pour enlever erreur
Formule atténuation #1
Le coefficient de validité désatténué (et donc corrigé pour l’atténuation) donne la limite supérieure théorique de la corrélation qu’il serait possible d’atteindre dans l’étude de validation si les instruments étaient sans erreur.
Formule atténuation #2
Formule pour éliminer une partie de l’erreur de mesure
Groupes contrastés
• À quel point test distingue 2 populations
• Le test permet-il de différencier un groupe d’un autre?
• Plus la différenciation est grande, plus le test est valide
• On calcule la différence de moyennes entre les groupes:
o Il faut que la différence soit statistiquement significative, mais ait aussi une taille d’effet importante.
o On utilise principalement des analyses de variances (ANOVA) ou des tests t
Analyse factorielle exploratoire (AFE)
- Technique où on fait entrer les items dans la machine et d’où on espère voir ressortir un résumé adéquat
- À utiliser lorsqu’on ne sait pas ce que l’on cherche ou que la structure du construit n’a jamais été testée mathématiquement.
• Les saturations ≤ 0,200 sont omises, mais certains auteurs recommandent d’omettre celles en dessous de 0,400 (Stevens, 2002)
Analyse factorielle confirmatoire (AFC)
- Technique de classification où on sait ce que l’on cherche a priori
- On indique au logiciel combien de facteurs sont désirés et quels items se retrouvent dans chaque facteur
- Les résultats nous aident à déterminer si oui ou non, la structure est bien représentée par les données
Saturation
La corrélation entre un item et un facteur
Utilité des analyses factorielles
- Confirmation de la structure ou de l’organisation d’un construit
• Nombre de sous-dimensions et leur organisation - Permet détecter des moins bons items
L’interprétation des analyses factorielles
- Ne donne pas une réponse absolue ;
- On parle de « niveau d’adéquation avec les données » ;
- Nécessite une grande part d’interprétation de la part du concepteur de l’instrument.
