Cours 2 - Convergence Flashcards
Qu’est-ce que le système hypothético-déductif?
Ensemble d’hypothèses dont les confirmations permettront de déduire que notre instrument est valide.
Vrai ou Faux? La confirmation d’une de ces hypothèses est une démonstration de la validité
Vrai
Vrai ou Faux? La confirmation de plusieurs de ces hypothèses est une mauvaise démonstration de la validité
Faux
Vrai ou Faux? La non-confirmation d’hypothèses soulèvent des doutes sur la validité
Vrai
À quoi servent les critères dans la validité critériée?
- Les critères servent à créer un système hypothético-déductif, qui servira à démontrer la validité de notre instrument à l’étape 5.
Quels sont les critères de Cohen?
Corrélation faible : r = 0,10
Corrélation moyenne : r = 0,30
Corrélation forte : r = 0,5
Expliquez l’importance du p value
- Il faut toujours prendre en considération le coefficient p. Si p < 0,05, la corrélation est significative. Cela vodrait dire que la corrélation est fiable à 95%. Si p > 0,05, la corrélation est non significative.
Vrai ou Faux? Un tableau croisé peut contenir des coefficient de validité et de fidelité
Vrai
À quoi peut servir l’interprétation d’un tableau croisé?
Peut servir à comparer deux tests qui mesurent la même chose pour voir lequel est le meilleur ou qu’est-ce qu’on pourrait changer.
3 raison pour lesquelles l’hypothèse peut être non confirmée:
- Hypothèse mauvaise
- Critère mauvais
- Nouvel instrument mauvais
Va relire la page 2 des notes
ok
À quoi sert l’atténuation?
donne la limite supérieure théorique de la corrélation qu’il serait possible d’atteindre dans l’étude de la validation si les instruments étaient sans erreur. Le coefficient de validité désatténué va estimer ce qu’on aurait eu comme résultat si on avait pas d’erreurs de mesure. Nous donne la corrélation la plus haute possible avec notre test et notre critère s’il n’y avait pas l’erreur de mesure. Impossible d’atteindre un résultat plus haut que ça.
Quelle est la logique derrière la formule d’atténuation?
Les scores observée de X et de Y a moins de corrélation que les scores vrais de X et Y. Notre coefficient de validité est atténuer par les erreurs de mesure possibles.
L’erreur de mesure limite, réduit, atténue la validité de notre instrument.
Le coefficient de validité (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.
Pourquoi a-t-on besoin d’une deuxième formule d’atténuation?
- La formule d’atténuation #1 permet d’évaluer l’impact de la fiabilité sur la validité en faisant comme si les instruments étaient exempts d’erreur de mesure. Donc, même si en enlevant toutes les erreurs de mesure mon hypothèse n’est toujours pas confirmée, on sait que l’hypothèse est vraiment mauvaise.
- Cependant, les tests ont toujours au moins une part minimale d’erreur de mesure
- Est-il donc possible d’estimer la validité théorique d’un instrument en éliminant une partie de l’erreur de mesure? Et ensuite vérifier si on peut confirmer.
Qu’arrive-t-il si même avec notre formule d’atténuation, on arrive pas à confirmer une hypothèse?
Donc, ici, on arriverait pas à confirmer cette hypothèse même en enlevant nos erreurs de mesure possible. À ce moment qu’on se demande y’é où le problème. L’hypothèse est probablement juste très mauvaise
Vrai ou Faux? - La fiabilité de l’instrument et la fiabilité du critère affectent négativement le coefficient de validité.
Vrai
Vrai ou Faux? si mon hypothèse est confirmée avant l’utilisation de la formule, il peut quand même y avoir un problème de fidélité.
Vrai
- Les formules /1 et /2 ne fonctionnent qu’avec des corrélations comme coefficients de fiabilité. Quel est l’autre coefficient qui ne peut pas être utilisés?
l’alpha
Vrai ou Faux? Dans la formule d’Atténuation, nous pouvons utilisé n’importe quel coefficient, comme bon nous semble. C’est d’ailleurs un avantage de cette formule.
Faux. Le même type de coefficient doit être utilisé partout dans la formule (split-half OU test-retest).
Expliquez le critère de groupe contrasté.
- 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
Plus la différence est grande entre 2 groupes, plus c’est bon. Il faut toutefois que la signitication entre les groupe est valide. Est-ce que c’est réellement deux groupes différents. Si c’est très peu différents, la signification risque de ne pas être là.
Quelles sont les deux types d’analyse factorielle
- Analyse factorielle exploratoire : on entre les items dans la machine et on espère voir un résumé adéquat. À utiliser lorsqu’on ne pas ce que l’on cherche ou que la structure du construit n’a jamais été testé mathématiquement
2- AF confirmatoire: on sait ce qu’on cherche, on donne des barèmes à respecter pour la personne et on regarde si nos items resectent ce qu’on voulait qui arrive.
Lors d’une AF qu’arrive-t-il lorsqu’un item peut être placé dans deux dimension différentes?
Toujours pas très bon si 1 item est dans les deux, parce que nos dimensions doivent être distinctes. On peut décider d’enlever les items qui ne sont pas bons.
Quand a-t-on commencé à utiliser les AF?
Lors des travaux sur l’intelligence
Vrai ou Faux? Les items supposés mesurer une dimension devraient être fortement corrélés entre eux ET moins corrélés avec les autres dimensions
Vrai
