Congruence - 9 Nov 2023 Flashcards
Définition validité en général
Est-ce que mon instrument mesure ce qu’il est censé mesurer ?
Objectifs de la congruence
Vérifier les quantifications et/ou l’organisation des concepts
Moyens étape de la congruence
Analyses corrélationnelles
Analyses factorielles
Équations structurelles
Approche hypothético- déductive
Vérification des hypothèses
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).
Définition Barème de Cohen
Corrélation faible : r = 0,10 Corrélation moyenne : r = 0,30
Corrélation forte : r = 0,50
Il faut toujours prendre en considération le coefficient p.
Si p ≤ 0,05 : la corrélation est significative. Si p > 0,05 : la corrélation est non significative.
Définition atténuation
L’erreur de mesure limite, réduit, atténue la validité de notre instrument.
Le coefficient de validité (la corrélation) entre le test et le critère est sous-estimé à cause de l’erreur de mesure.
Est-il possible d’estimer la validité théorique maximale d’un instrument en éliminant l’erreur de mesure?
Oui, estimer la validité théorique maximale en éliminant l’erreur de mesure
(Bruit, confusion, erreur
Manque réel de force entre les variables
Relation entre les 2 variables est sous-estimé à cause de l’erreur, du bruit)
Quelles sont les explications possibles d’hypothèses non confirmées?
Explications possibles:
L’hypothèse de recherche n’était pas bonne
• Vérification dans la littérature
Le critère n’est pas bon
• Vérification des propriétés psychométriques du critère
• Vérification dans la littérature des liens entre les critères
Le nouvel instrument n’est pas bon
Pour quel valeur de p la corrélation sera-t-elle significative?
Si p ≤ 0,05 : la corrélation est significative.
Si p > 0,05 : la corrélation est non significative.
Définition groupes contrastés
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:
• Il faut que la différence soit statistiquement significative, mais
ait aussi une taille d’effet importante.
• On utilise principalement des analyses de variances (ANOVA)
ou des tests t
Exemples:
• Groupe d’enfants ayant un TDAH VS Groupe d’enfants ne présentant pas de TDAH
• Groupe atteint d’une déficience intellectuelle VS Groupe n’en présentant pas
Définition 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.
Définition 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
Définition analyses factorielles
Technique statistique issue des travaux initiaux sur l’intelligence
• Le facteur « g » = une analyse factorielle
Chaque facteur résume de l’information provenant de plusieurs items
Les items supposés mesurer une dimension devraient être fortement corrélés entre eux ET moins corrélés avec les autres dimensions
• On nomme 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 - Détecter des moins bons items
Rappel: un construit est un concept abstrait que l’on tente de mieux comprendre en le rendant plus concret .
L’interprétation des analyses factorielles
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.
Il existe plusieurs méthodes statistiques différentes pour faire des analyses factorielles
Celle présentée dans les prochaines diapositives est l’analyse factorielle (factor analysis) avec maximum de vraisemblance (maximum likelihood)
• Ce type d’analyse factorielle est recommandé lorsque l’on mesure des concepts abstraits ou latents.
