Cours 6 Flashcards
Dans quel contexte les régressions linéaires simples sont souvent utilisés ?
Elle est souvent utilisée pour explorer les relations directes entre une variable dépendante et une variable indépendante continue.
Qu’est ce que les régressions linéaires simples permettent d’établir
Elle permet d’établir des prédictions simples, ce qui est utile dans les études de comportements ou de symptômes en psychologie.
Supposons qu’un chercheur en psychologie s’intéresse à la relation entre le niveau de stress perçu (variable indépendante) et la qualité du sommeil (variable dépendante) chez les étudiants universitaires. Les études antérieures suggèrent qu’il pourrait y avoir une relation négative entre le stress et la qualité du sommeil, mais l’ampleur de cet effet n’a pas encore été étudiée de manière spécifique dans cette population précise.
Dans cette étude, le chercheur mesure le niveau de stress perçu par les étudiants en utilisant une échelle standardisée, telle que l’échelle de stress perçu (PSS). La qualité du sommeil est quantifiée par un score de qualité du sommeil, mesuré par le questionnaire de Pittsburg (PSQI), un outil commun pour évaluer la qualité du sommeil.
Quels types d’analyses pourrait être utilisés et pourquoi ? Qu’est-ce qu’elle pemettra de faire ?
Régressions linéaires simples, car nous voulons prédire quelques choses entre une variable dépendante et indépendante. Ce modèle permettra de déterminer si une augmentation du stress est associée à une diminution de la qualité du sommeil.
La régression linéaire multiple permet d’évaluer quoi ?
l’impact de plusieurs variables indépendantes sur une variable dépendante
Donner des exemples de situations ou nous pourrions utiliser un régression linéaire multiple
il peut être utilisé pour analyser comment des facteurs socio-économiques, familiaux et personnels influencent la dépression.
Un chercheur en psychologie souhaite examiner les facteurs qui influencent le bien-être psychologique des employés dans un environnement de travail exigeant. La littérature précédente indique que plusieurs facteurs, tels que le soutien social au travail, la charge de travail et le niveau d’autonomie dans les tâches, peuvent jouer un rôle dans le bien-être général des individus.
Dans cette étude, le bien-être psychologique est mesuré comme variable dépendante à l’aide d’une échelle validée (par exemple, l’Échelle de Bien-Être Psychologique de Ryff). Les trois variables indépendantes sont le soutien social (mesuré par un questionnaire de soutien perçu des collègues et des superviseurs), la charge de travail (mesurée par le nombre d’heures travaillées par semaine et des auto-évaluations de la charge mentale) et l’autonomie dans les tâches (évaluée par une échelle d’autonomie perçue dans le travail).
Quel type d’analyse pourrait être utilisé ? Cela permet de déterminer quoi ?
Régression linéaire multiple
Cela permet de déterminer non seulement si chaque facteur est significativement lié au bien-être, mais aussi la force de chaque relation dans le contexte des autres prédicteurs.
Vrai ou Faux - la régression en équation structurelles est exclusivement une régression
Faux, elle n’est pas seulement un régression au sens strict
Vrai ou Faux
La régression en équation structurelles est essentiellement modéliser en psychologie sous des relations régressives entre variables latente et observer les trajectoires psychologiques
Vrai
Un chercheur en psychologie de l’éducation souhaite explorer comment différentes variables, telles que le climat scolaire, la motivation des élèves et le soutien parental, influencent la performance académique des élèves, en prenant en compte l’impact indirect de ces variables sur le bien-être psychologique des élèves. Ce type de recherche implique des relations complexes, directes et indirectes, entre les variables, et __________________ permet de visualiser et de tester ces relations au sein d’un même modèle.
Le modèle SEM
En utilisant la régression en équations structurelles, le chercheur peut examiner non seulement les relations ___________ entre ces variables, mais aussi les relations _____________ et __________, par exemple, comment le climat scolaire influence indirectement la performance académique via la motivation des élèves et le bien-être psychologique.
directes
médiatrices
indirectes
Vrai ou Faux - les modèles de régression ne jouent pas un rôle crucial en psychologie en fournissant des outils pour analyser des relations complexes et multi-dimensionnelles puisqu’ils sont difficile à comprendre
Faux, il jouent un rôle
Quel est l’avantage du SEM ?
Le SEM, quant à lui, ouvre la voie à l’étude de relations plus nuancées, incluant des effets médiateurs et indirects.
À quoi correspond R² ?
coefficient de détermination
Avant d’analyser les résultats de la régression, les ______ de l’analyse ont été vérifiés pour garantir la ______ du modèle de régression linéaire simple.
-préalables
-validité
Vrai ou faux?
La linéarité est un préalable de la régression.
Si vrai, comment vérifier ce préalable?
Si faux, pourquoi?
Vrai
Vérifier la tendance linéaire sur un graphique de dispersion
Qui suis-je?
Il varie de 0 à 4. Il est utilisé pour détecter l’autocorrélation (indépendance) des erreurs (résidus) d’un modèle de régression.
Le test de Durbin-Watson
Qu’est-ce qu’indique des valeurs proches de 2 au test de Durbin-Watson?
Indiquent une absence d’autocorrélation (indépendance des erreurs).
Qu’est-ce qu’indique des valeurs proches de 0 au test de Durbin-Watson?
Suggèrent une autocorrélation positive élevée entre les erreurs.
Qu’est-ce qu’indique des valeurs proches de 4 au test de Durbin-Watson?
Indiquent une autocorrélation négative élevée entre les erreurs.
Durbin-Watson
En termes pratiques, une valeur entre __ et
__ est souvent considérée comme une indication acceptable de l’…
1,5 et 2,5
… absence d’autocorrélation significative dans les résidus.
Qu’est-ce que l’homocédacité?
Distribution aléatoire des erreurs
si non aléatoire = hétéroscédasticité
Vrai ou faux?
Homoscédacité est un préalable à la régression.
Si vrai, expliquez comment vérifier ce préalable.
Si faux, expliquez pourquoi.
Vrai
Utiliser Un graphique des résidus afin de confirmer la distribution aléatoire des erreurs.
Sur le graphique, les erreurs Doivent être proche ou sur la ligne pour supposer l’homoscédasticité
Vrai ou faux?
Les résidus ne doivent pas nécessairement être distribués normalement pour une régression.
Faux!
Ils doivent être distribués normalement.
La partie non expliquée de mes données doit être distribuée normalement
Vrai ou faux?
Dans la situation suivante, nous pouvons effectuer une régression.
L’histogramme des résidus a montré une distribution en forme de cloche, confirmée par un test de Shapiro-Wilk (p > 0,05), indiquant la normalité des erreurs.
VRAI
Vrai ou faux?
Dans la situation suivante, nous pouvons effectuer une régression.
Un graphique des résidus a révélé une distribution non aléatoire des erreurs, confirmant l’hétéroscédacité.
Faux!
Il faudrait que :
Un graphique des résidus a révélé une distribution aléatoire des erreurs, confirmant l’homoscédasticité
Vrai ou faux?
Dans la situation suivante, nous pouvons effectuer une régression.
Un graphique de dispersion entre le niveau de stress perçu et la qualité du sommeil a montré une tendance linéaire, indiquant que la condition de linéarité est respectée.
VRAI!
Qui suis-je?
Nous sommes des calculs statistiques utilisés dans l’analyse de régression pour détecter des observations influentes ou outliers (2).
Les scores de Cook et les valeurs de levier
Vrai ou faux?
Dans la situation suivante, nous pouvons effectuer une régression.
Les scores de Cook et les valeurs de levier ont identifié des valeurs influentes, garantissant que les résultats sont biaisés par des données atypiques.
Faux!
Il faudrait :
Les scores de Cook et les valeurs de levier n’ont identifié aucune valeur influente, garantissant que les résultats ne sont pas biaisés par des données atypiques.
Qui suis-je?
C’est une valeur calculée pour chaque observation dans le modèle de régression. Il mesure combien l’ajustement global du modèle changerait si cette observation spécifique était retirée.
Score de Cook
Le score de Cook, c’est une ______ dans le modèle de régression. Il mesure combien l’_____ du modèle ______ si cette _______.
-valeur calculée pour chaque observation
-ajustement global
-changerait
-observation spécifique était retirée
Le score de Cook nous montre …
Un score de Cook peut, théoriquement, prendre n’importe quelle valeur ______, mais quand cette valeur est supérieure à __ cela indique une observation potentiellement ______. Donc, dans le cadre de la régression, on ne veut pas de score _______.
… si une observation a une influence importante sur les prédictions du modèle.
-positive
-1
-influente
-supérieur à 1
Qui suis-je?
mesure la distance d’une observation par rapport aux autres observations dans l’espace des variables indépendantes.
valeur de levier
La valeur de levier mesure …
Les observations avec des valeurs de levier élevées sont celles qui se situent loin du _____ des autres données. Elles peuvent donc influencer de manière importante ______.
… la distance d’une observation par rapport aux autres observations dans l’espace des variables indépendantes.
-“centre”
-la pente de la régression
La valeur de levier (hii) varie entre __ et __. En général, on considère qu’une observation a une valeur de levier élevée si elle dépasse le seuil _____, où p est le ______ et n est la taille de l’échantillon. Alors, si on a 4 prédicteurs et 100 sujets (ou observations), le seuil sera de (_____)/100 = 0,12. Les valeurs supérieurs à ce seuil doivent être considérées ____.
0 et 1
-(3p)/n
-nombre de variables indépendantes
-3 x 4
-élevées
Qui suis-je?
(hii)
valeur de levier
Le modèle de régression linéaire simple a expliqué une proportion significative de la variance de la variable dépendante (R² = 0,35). Cela signifie que …
Un R² de cette magnitude suggère que …
… 35 % de la variance de la variable dépendante est expliquée par la variable indépendante
… le modèle offre un bon ajustement, bien qu’il existe d’autres facteurs non inclus dans le modèle.
Complétez le critère d’évaluation de la magnitude du R2R^2R2
R2 < 0,10 :
: Magnitude très faible - le modèle explique une proportion très petite de la variance.
Complétez le critère d’évaluation de la magnitude du R2R^2R2
0,10 ≤ R2 < 0,30 :
Magnitude faible - le modèle explique une proportion modeste de la variance.
Complétez le critère d’évaluation de la magnitude du R2R^2R2
0,30 ≤ R2 < 0,50
Magnitude modérée - le modèle explique une quantité modérée de la variance.
Complétez le critère d’évaluation de la magnitude du R2R^2R2
R2 ≥ 0,50
Magnitude élevée - le modèle explique une proportion substantielle de la variance.
Vrai ou faux?
Les critères d’évaluation de la magnitude du R2R^2R2 sont des indications générales et peuvent varier selon le domaine d’étude. Par exemple, en psychologie, où les phénomènes sont souvent complexes, un R2 de 0,10 peut déjà être considéré comme satisfaisant. En revanche, dans des études expérimentales ou de laboratoire avec des variables contrôlées, on s’attend généralement à un R2 plus élevé.
Faux?
Ces critères sont des indications générales et peuvent varier selon le domaine d’étude. Par exemple, en psychologie, où les phénomènes sont souvent complexes, un R2 de 0,30 peut déjà être considéré comme satisfaisant. En revanche, dans des études expérimentales ou de laboratoire avec des variables contrôlées, on s’attend généralement à un R2 plus élevé.
L’analyse de la variance du modèle a révélé une valeur de F significative, F(1, 98) = 15,67, p < 0,001. Cela indique que …
… le modèle de régression explique une part importante de la variance de la variable dépendante et que la variable indépendante est un prédicteur significatif.
Qui suis-je?
(β)
Coefficient de régression
Le coefficient de régression standardisé pour la variable indépendante est β = 0,59, t(98) = 3,96, p < 0,001. Cela signifie qu’….
… une augmentation d’une unité de la variable indépendante est associée à une augmentation de 0,59 unités de la variable dépendante.
L’intervalle de confiance à 95 % pour le coefficient β se situe entre 0,30 et 0,88. Étant donné que cet intervalle n’inclut pas ___, nous pouvons conclure que …
-zéro
…l’effet de la variable indépendante est statistiquement significatif.
Quand l’erreur standard du coefficient standardisé est elle utile?
lorsque vous comparez l’importance relative des prédicteurs dans un modèle.
L’erreur standard du coefficient β est de 0,15, ce qui indique …
… une estimation relativement précise du coefficient de régression.
Une faible erreur standard suggère que :
a) le modèle est instable et que le coefficient β est estimé de manière fiable
b) le modèle est stable et que le coefficient β est estimé de manière fiable
c)que j’ai le goût de me gunner
d) le modèle est stable et que le coefficient β est estimé de manière non fiable
e) le modèle est instable et que le coefficient β est estimé de manière non fiable
f)aucune de ces réponses
B!
Une faible erreur standard suggère que le modèle est stable et que le coefficient β est estimé de manière fiable.
Une faible erreur standard est _____, mais le seuil exact de « faiblesse » varie en fonction de ____. Une règle générale consiste à viser une erreur standard qui représente une ______ de la valeur de β (moins de ___, ou même ___) afin d’assurer une estimation relativement ____ et ____.
-souhaitable
-la valeur de β
-petite fraction
-30 %
-20%
-précise
-fiable
Donnez un exemple d’étude utilisant une régression simple
Cette étude visait à explorer la relation entre le niveau de stress perçu et la qualité du sommeil chez les étudiants universitaires. Les résultats confirment que le stress perçu a un effet négatif significatif sur la qualité du sommeil, ce qui est conforme aux attentes basées sur la littérature existante. En utilisant une approche de régression linéaire simple, nous avons pu quantifier cet effet et examiner les implications potentielles pour la santé et le bien-être des étudiants.
Présentez des résultats fictifs en modèle APA d’une régression linéaire simple
Le modèle de régression linéaire simple a permis d’expliquer 35 % de la variance dans la qualité du sommeil, avec un coefficient de régression β de -0,67, indiquant une relation inverse significative entre le niveau de stress perçu et la qualité du sommeil (p < 0,001). Cela signifie qu’une augmentation du stress perçu est associée à une diminution de la qualité du sommeil chez les étudiants universitaires. Les analyses des préalables ont confirmé que les conditions de linéarité, indépendance des erreurs, homoscédasticité, normalité des résidus et absence de valeurs influentes ont été respectées, renforçant la validité des résultats.
Donnez un exemple de projet de recherche utilisant une régression linéaire multiple
Facteurs Influents sur le Bien-Être Psychologique des Employés (Modèle APA)
Cette étude examine les facteurs influençant le bien-être psychologique des employés dans un environnement de travail exigeant. La littérature suggère que le soutien social, la charge de travail et l’autonomie peuvent jouer un rôle dans le bien-être général des individus.
Quels sont les préalables de la régression linéaire multiple?
-Linéarité
-Indépendance des données
-Homoscédacité des erreurs
-Normalité des erreurs
-Absence de valeurs influentes ou extrêmes (Outliers)
-Absence de multicolinéarité (statistique de colinéarité)
Pourrait-on effectuer une régression linéaire multiple sous cette condition, assumant que les autres sont respectées?
Des graphiques de dispersion partiels ont montré des relations linéaires entre chaque prédicteur (soutien social, charge de travail, autonomie) et le bien-être psychologique, indiquant que la condition de linéarité est respectée.
Oui!
Vrai ou faux?
Dans le cas de la régression linéaire multiple, on considère qu’une observation a une valeur de levier élevée si elle dépasse le seuil (2p)/n, où p est le nombre de variables indépendantes et n est la taille de l’échantillon
Vrai
Pourrait-on effectuer une régression linéaire multiple sous cette condition, assumant que les autres sont respectées?
Les facteurs d’inflation de la variance (VIF) pour chaque prédicteur étaient inférieurs à 20, indiquant une absence de multicolinéarité excessive entre les prédicteurs.
Non!
Il faudrait :
Les facteurs d’inflation de la variance (VIF) pour chaque prédicteur étaient inférieurs à 10 (certains auteurs mentionnent inferieur à 5), indiquant une absence de multicolinéarité excessive entre les prédicteurs.
Vrai ou faux?
Un score de Cook supérieur à 1 indique une observation potentiellement influente.
Vrai!
Qui suis-je?
(R² ajusté)
Coefficient de détermination
Le modèle de régression multiple a expliqué une proportion significative de la variance du bien-être psychologique (R² ajusté = 0,42), indiquant que …
… 42 % de la variance du bien-être psychologique est attribuable à l’association linéaire entre le soutien social, la charge de travail et l’autonomie.
L’analyse de variance (ANOVA) du modèle a révélé une valeur de F significative, F(3, 96) = 25,76, p < 0,001, indiquant que …
…le modèle global est statistiquement significatif pour prédire le bien-être psychologique.
Les résultats montrent les coefficients de régression suivants pour chaque prédicteur :
Soutien social : β = 0,40, t(96) = 3,58, p < 0,001, indiquant …
Charge de travail : β = -0,30, t(96) = -2,96, p < 0,001, suggérant …
Autonomie : β = 0,25, t(96) = 2,45, p < 0,004, montrant …
… qu’un soutien social plus élevé est associé à un bien-être psychologique accru.
… qu’une charge de travail plus lourde est liée à un bien-être réduit.
… qu’une plus grande autonomie dans les tâches est associée à un bien-être psychologique plus élevé.
Les intervalles de confiance à 95 % pour les coefficients sont :
Soutien social : 0,18 à 0,62.
Charge de travail : -0,50 à -0,10.
Autonomie : 0,05 à 0,45.
Quelle conclusion pouvez vous apporter?
Tous les intervalles excluent zéro, confirmant la significativité statistique des effets de chaque prédicteur.
Contextualisez une étude utilisant une régression linéaire multiple et ses résultats.
Cette étude visait à identifier les facteurs influençant le bien-être psychologique des employés dans un environnement de travail exigeant. Les résultats confirment que le soutien social, la charge de travail et l’autonomie sont des prédicteurs significatifs du bien-être psychologique, ce qui est conforme aux attentes basées sur la littérature existante. En utilisant une approche de régression linéaire multiple, nous avons pu quantifier l’impact de chacun de ces facteurs et évaluer leur contribution unique au bien-être général des employés.
Effectuez un résumé des résultat d’une étude utilisant une régression linéaire multiple en format APA
Le modèle de régression multiple a permis d’expliquer 42 % de la variance dans le bien-être psychologique, avec des coefficients de régression indiquant que le soutien social (β = 0,40), la charge de travail (β = -0,30), et l’autonomie (β = 0,25) ont tous un effet statistiquement significatif sur le bien-être. Les analyses des préalables ont confirmé que les conditions de linéarité, indépendance des erreurs, homoscédasticité, normalité des résidus et absence de multicolinéarité excessive étaient respectées, renforçant la validité des résultats.
Qui suis-je?
modèle SEM
Régression en équations structurelles (SEM)
Donnez un exemple de recherche utilisant le modèle SEM
Influence du Climat Scolaire, de la Motivation et du Soutien Parental sur la Performance Académique et le Bien-Être Psychologique
Cette étude explore comment différentes variables, telles que le climat scolaire, la motivation des élèves, et le soutien parental, influencent la performance académique et le bien-être psychologique des élèves. Le modèle SEM permet de tester et visualiser les relations complexes entre ces variables dans un cadre unique. Le climat scolaire est mesuré par le soutien des enseignants, la sécurité perçue et la satisfaction avec l’environnement scolaire. La motivation est évaluée par une échelle de motivation intrinsèque, et le soutien parental par des indicateurs de soutien académique et émotionnel.
Avant d’analyser les résultats du modèle SEM, les préalables de l’analyse ont été vérifiés pour …
garantir la validité de l’ajustement global.
Quels sont les préalables du SEM?
-Taille d’Échantillon suffisante
-Normalité multivariée
-Absence de multicolinéarité entre variables latentes
-Validité de l’ajustement global du modèle
-Linéarité des relations structurelles
Un échantillon suffisamment large est essentiel pour le SEM, car un petit échantillon peut …
… compromettre la stabilité des estimations et la puissance statistique.
Quelle est la règle générale quant à la taille d’échantillon pour le SEM?
d’avoir de 5 à 10 (préférablement de 10 à 20) observations (ou cas) par paramètre (ou item) estimé (ou variable manifeste).
Vrai ou faux?
Une taille d’échantillon suffisante garantit que les estimations des paramètres du modèle SEM sont stables et statistiquement significatives.
Vrai
Vrai ou faux?
Le SEM repose souvent sur l’hypothèse que les données suivent une distribution normale multivariée pour que les tests de signification soient valides.
Vrai
Quel test statistique est utilisé pour vérifier la normalité multivariée?
Test de Mardia
Vrai ou faux?
Si la statistique de Mardia est significative, cela confirme la normalité multivariée.
Faux!
Si la statistique de Mardia est non significative, cela confirme la normalité multivariée.
Si la statistique de Mardia est non significative, cela confirme la normalité multivariée. Une violation de cette condition peut nécessiter l’utilisation de méthodes robustes telles que … (2)
(bootstrapping, permutation, ou autres).
Une autre condition du SEM est l’absence de multicolinéarité entre variables latentes.
Expliquez.
Les variables latentes doivent être distinctes et ne pas être excessivement corrélées (r ≥ 0,85) entre elles pour garantir des estimations fiables.
Afin de garantir que les variables latentes doivent sont distinctes et non corrélées de manière excessive, quelle taille r doit il atteindre pour garantir des estimations fiables?
(r ≥ 0,85)
Quel test statistique est utilisé pour vérifier la multicolinéarité?
Facteur d’inflation de la variance (VIF) appliqué aux variables latentes.
Vrai ou faux?
Un VIF inférieur à 30 indique une absence de multicolinéarité excessive entre les variables latentes, garantissant la robustesse des coefficients estimés.
Faux!
Un VIF inférieur à 10 indique une absence de multicolinéarité excessive entre les variables latentes, garantissant la robustesse des coefficients estimés.
Le modèle SEM doit bien s’ajuster aux données, ce qui est évalué par des …
… indices d’ajustement global.
Quels tests statistiques sont utilisés pour vérifier la Validité de l’ajustement global du modèle?
Indices d’ajustement comme le :
- CFI (Comparative Fit Index)
- TLI (Tucker-Lewis Index)
- RMSEA (Root Mean Square Error of Approximation)
-SRMR (Standardized Root Mean Square Residual
Que mesure le CFI? (Comparative Fit Index)
: compare l’ajustement du modèle testé à celui d’un modèle où toutes les variables sont non corrélées entre-elles),
Que mesure le TLI? (Tucker-Lewis Index)
: compare le chi-carré du modèle avec celui du modèle nulle),
Que mesure le RMSEA (Root Mean Square Error of Approximation)?
: ajustement du chi-carré est basé sur un test selon lequel l’hypothèse nulle est vraie)
Que mesure le SRMR (Standardized Root Mean Square Residual)?
: calcul dérivé de l’ajustement absolu des matrices de covariance).
Identifiez les seuils désirés aux tests statistiques suivants afin de respecter la Validité de l’ajustement global du modèle
Des valeurs de CFI et TLI proches de _____ ou ____, un RMSEA inférieur à ___, et un SRMR inférieur à ___ indiquent un bon ajustement du modèle aux données.
0.95
supérieures
0,06
0,08
Vrai ou faux?
Les indices d’ajustement, tels que le CFI (0,96), le TLI (0,80), le RMSEA (0,10) et le SRMR (0,05), indiquent un bon ajustement du modèle aux données, confirmant la validité globale du modèle.
Si vrai, expliquez pourquoi
Si faux, présentez des données confirmant la validité du modèle
Faux!
Les indices d’ajustement, tels que le CFI (0,96), le TLI (0,95), le RMSEA (0,04) et le SRMR (0,05), indiquent un bon ajustement du modèle aux données, confirmant la validité globale du modèle.
Vrai ou faux?
Le SEM suppose que les relations structurelles entre les variables sont linéaires, ce qui signifie que chaque relation est proportionnelle.
Vrai
Quelle technique utiliser afin de vérifier la condition de linéarité des relations structurelles?
Vérification par graphiques de dispersion entre variables latentes pour évaluer la linéarité.
Si les graphiques montrent une relation linéaire, cela confirme que le modèle SEM est approprié pour les données observées
Pourrait on effectuer des Régressions en équations structurelles sous la condition suivante :
Des graphiques de dispersion entre les variables latentes ont montré des relations linéaires, ce qui confirme la linéarité des relations structurelles.
Oui
Résultats du modèle SEM : Coefficient de détermination (R²)
Le modèle SEM a expliqué 48 % (p < 0,05) de la variance de la performance académique et 35 % (p <0,05) de la variance du bien-être psychologique. Cela signifie que …
…les prédicteurs (les VIs) inclus dans le modèle contribuent de manière significative à ces résultats.
Résultats du modèle SEM : Relations Directes et Indirectes
- Climat scolaire : Influence ____ et ____ sur la performance académique (β = 0,45, p < 0,001) et le bien-être psychologique (β = 0,30, p < 0,01).
- Motivation des élèves : Effet ____ sur la performance académique via le bien-être psychologique (effet indirect = 0,15, p < 0,05).
- Soutien parental : Effet ____ et ____ sur le bien-être psychologique (β = 0,40, p < 0,001) et effet ____ sur la performance académique via le bien-être (effet indirect = 0,12, p < 0,05).
-directe
-positive
-indirect
-direct
-positif
-indirect
Résultats du modèle SEM : Indices d’ajustement du Modèle
Les indices d’ajustement montrent que le modèle SEM est bien adapté aux données : CFI = ____, TLI = ____, RMSEA = ____, SRMR = ____. Ces résultats indiquent que le modèle représente bien les relations entre les variables telles que ______.
-0,96 (égal ou plus grand à 0.95)
-0,95 (égal ou plus grand à 0.95)
-0,04 (plus petit que 0.06)
-0,05 (plus petit que 0.08)
-théorisées
