Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Métho quanti > Examen 1 > Flashcards

Examen 1 Flashcards

1
Q

8 Étapes de l’élaboration d’un questionnaire

A
  1. Déterminer clairement ce que l’on veut mesurer
  2. Générer une banque d’items
  3. Déterminer le format de l’échelle de réponses
  4. Faire réviser la banque d’items par des expert.es
  5. Considérer l’inclusion d’items évaluant la validité
  6. Administrer les items à un échantillon
  7. Évaluer les items
  8. Maximiser la longueur de l’échelle
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q
  1. Déterminer clairement ce que l’on

veut mesurer

A

Utiliser une théorie pour définir ce qu’on veut mesurer
- Si théories ne permettent pas guider alors nouvelles directions intellectuelles peuvent être considérées.

Réfléchir sur la spécificité de ce qu’on veut mesurer
général vs spécifique

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q
  1. Générer une banque d’items
A

Lors de la formulation d’items, être clair sur le contenu
faire attention ne pas mesurer des construits différents ou deux à la fois

Choisir des items qui reflètent le but de l’échelle et de la conception du construit (ex: trait, dynamique)

Redondance désirable dans les premières étapes de développement: bien mesurer différentes facette et disctinctions

Nombre d’items: plus d’items = plus de choix, discriminer

Items formés de mots à sens positifs et à sens négatif
évite les biais d’acquiescement, mais peu confondre

Est ce que la consigne ou les items doivent faire référence à un cadre temporel ?
dans les 12 derniers mois, global ou un événement

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Caractéristiques des bons et des mauvais items à pour un questionnaire

A 
Ambigüité de la part des participant.es
–
Éviter les items trop longs
–
Ne pas sacrifier le sens d'un item dans l'intérêt de sa brièveté
–
Langage adapté à la population étudiée
–
Éviter les termes ambigus
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q
  1. Déterminer le format de l’échelle de réponses
A

Nombre de choix de réponse
peu de choix: difficile capter variation
trop de choix: fausse précision, fatigue

Pair ou impair: point milieu ou neutre ou forcer a faire un choix –> dépend de la théorie est ce que ça se peut d’être neutre

Échelles de Likert: faire attention a la qualification du point milieu ou énoncé trop doux ou trop sévère

Échelles de différenciateurs sémantiques: adjectifs séparé sur un continuum, choix de réponse

Échelles d’analogues visuels: deux descripteurs représentant des fins opposées, dessin d’un X
avantage: sensible; désavantage: mesure 1 seul item donc empeche calcul consistance interne

Échelle options binaires: oui vs non, vrai vs faux
réponse peuvent être additionné pour faire un score, mais prend plusieurs items pour variations

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q
  1. Faire réviser la banque d’items par des expert.es
A

•Faire réviser les items par un groupe de gens –>
connaissances
approprié afin de mesurer le construit, la formulation claire et concise, format de mesure est adéquat

  • vérifier la validité de contenu
  • mettre en évidence des facettes du construit qui ne sont pas incluses dans les items
  • Les décisions finales reposent sur ceux/celles qui développent le questionnaire
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q
  1. Considérer l’inclusion d’items évaluant la validité
A

• Items servant à détecter les défauts ou les problèmes
–échelle de désirabilité sociale, questions de vérification de l’attention

• Items servant à évaluer la validité de construit (de convergence)
– développant un questionnaire sur la satisfaction relationnelle, inclure des items sur la satisfaction à l’égard de la vie

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q
  1. Administrer les items à un échantillon
A

• n suffisamment grand pour éliminer toutes préoccupations concernant la covariance
(corrélations) due aux répondant.es

• Plus un échantillon est petit, plus il y a de chances que certains individus ou sous groupes soient exclus
–Menace à la représentativité
– Menace à la stabilité des corrélations entre les items

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q
  1. Évaluer les items
A

Transformations des variables avant l’évaluation
• Cotation inversée: si reste items inversement corrélé:
devraient être éliminés.
• Recoder les « je ne sais pas » en données manquantes

Évaluations des propriétés métriques du questionnaire
• Analyse de la consistance interne (Alpha de Cronbach)
• Analyse factorielle exploratoire

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q
  1. Maximiser la longueur de l’échelle
A

+ d’items –> plus la fidélité sera élevée
Avantage des échelles brèves: moindre fardeau
Avantage des échelles longues: plus grande fidélité

Éliminer les « mauvais items »: un processus itératif
-examine la contribution de chaque item à la consistance interne ou à l’analyse factorielle pour ensuite prendre des décisions
–On répète la procédure jusqu’à temps qu’on obtienne une consistance interne ou une structure factorielle satisfaisante
–préférable d’éliminer un item à la fois + documenter le processus

Division de l’échantillon lorsque celui ci est assez grand
–moité 1 dvper questionnaire vs moitié deux valider
- Pratique remise en question, car on compare des participant.es ayant été soumis à des biais de recrutement similaires

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Échelles de mesures

A

Variables à échelle qualitative
Variable nominale: qualifie des catégories distinctes
– genre/sexe

Variable ordinale: qualifie des catégories distinctes, mais ordonnées
–niveau d’éducation, échelle de Likert

Variables à échelle quantitative
•Variable à intervalles: ordre, intervalles égaux, point 0 arbitraire
–P ex: le quotient intellectuel (QI)

•Variable proportionnelle ou de rapport: ordre, intervalles égaux, point 0 absolu qui indique l’absence de l’objet mesuré
–P ex: l’âge, le nombre de partenaires sexuels

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q
  1. Mesures de tendance centrale
A

Définition: les mesures autour desquelles les données se concentrent au sein d’une distribution

Moyenne: sommes des observation divisée par le nombre
Médiane: valeur sépare également la distribution à 50%
Mode: valeur ayant la fréquence la plus élevée (seule mesure pour valeur nominale)

Si courbe normale: même valeur

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q
  1. Mesures de forme
A

Mesure utilisées pour caract la forme distribution

–Asymétrie (skewness) : potive (ex nbr partenaires sexuels) ; négative (age de la premiere relation sexuelle)

–Aplatissement (kurtosis): positif (courbe plus haute) négatif (courbe plus basse)
–Nombre de modes

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q
  1. Mesures de dispersion
A

Définition: les mesures permettant de décrire la variation des données au sein d’une distribution

Étendue: l’écart entre la valeur la plus petite et la valeur la plus grande (max - min)

Variance: mesure de quantité d’information contenue dans les différentes valeurs; la moyenne des carrés des écarts des valeurs par rapport à la moyenne

Écart type: racine carrée de la variance; mesure de dispersion plus utilisé car elle s’interprète avec la même unité de mesure

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Mesures de positionnement

A

Les mesures permettant de décrire la position
d’une observation par rapport aux autres au sein d’une
distribution

– Quantiles: division d’une distribution en groupes contenant une fraction égale d’observations
Types: quartile (50% = médiane); centiles
– Score Z: situation d’une valeur sur une distribution exprimée en nombre d’écart types; score relatif à la moyenne

voir dessin

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q
  1. Statistique descriptive versus

statistique inférentielle

A

Statistiques descriptives
• Objectif de décrire / résumer / représenter, par
des statistiques, les données d’un échantillon quand elles sont nombreuses.

Statistiques inférentielles/inductives
• Objectif d’estimer des caractéristiques d’une population à partir des données d’un échantillon représentatif de cette population.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q
  1. Statistique versus paramètre
A

Paramètres
• Caractéristiques numérique d’une population

Statistiques
• Caractéristique numérique d’un échantillon

L’inférence statistique permet d’utiliser les statistiques
échantillonnales pour:
Estimer des paramètres populationnels
Tester des hypothèses au sein d’une population

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q
  1. Échantillon versus population
A

Population de référence: ensemble fini d’individus sur lesquels une étude se porte et dont les éléments répondent à une ou plusieurs caractéristiques communes
ex: les cégépien.nes, les victimes d’agression sexuelle,

Échantillon à l’étude: ensemble d’individus extraits d’une population étudiée de manière à ce qu’il soit
représentatif de cette population.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Inférer un paramètre à partir d’une statistique

A

Basée sur la théorie des probabilités + échantillon doit être tiré aléatoirement (ou au moins représentatif). dépend de la méthode d’échantillonnage.

Le modèle de base:
Statistique = Paramètre + Erreur
L’enjeu: bien évaluer l’erreur. (erreur se distribue aléatoirement si échantillon aléatoire)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Estimer la moyenne populationnelle

A

La moyenne échantillonnale est un estimateur non biaisé de la moyenne populationnelle lorsque l’échantillon est aléatoire.

Par contre, il faut recourir au théorème central limite pour évaluer la marge d’erreur possible.

21
Q

Théorème central limite

A

Toute somme de variables aléatoires indépendantes et
identiquement distribuées tend vers une courbe normale
– Si on pouvait tirer un nombre infini d’échantillons aléatoires d’une population, la distribution des moyennes échantillonnales serait normale et la moyenne de cette distribution serait la moyenne
populationnelle.

  • Si la taille échantillonnale est grande (n > 30), la distribution des moyennes échantillonnales sera à peu près normale.
  • Plus un échantillon est grand, plus sa moyenne tend vers la moyenne populationnelle. L’erreur diminue avec le nombre de participants.
  • L’écart type de cette distribution, appelé l’ erreur type , est un ratio de l’écart type de la population.
  • L’erreur type est une mesure de l’écart « moyen » entre la moyenne d’un échantillon et la moyenne populationnelle.
  • Plus la taille de l’échantillon (n) est grande, plus l’erreur type est petite.
IC(68%) = moy pop + ou - 1 ErrT
IC(95%) = moy pop + ou - 1,96 ErrT
22
Q

Intervalles de confiance

A

•Si on pouvait calculer IC(95%) pour une infinité
d’échantillons aléatoires provenant de la même N, la moyenne de N serait incluse dans 95% d’entre eux.
• Par extension, on peut considérer la distribution reliée à l’IC comme la distribution des valeurs probables pour la moyenne populationnelle. Un intervalle de confiance de 95% représente un intervalle qui a 95% de chances d’inclure la moyenne populationnelle.

– L’intervalle des valeurs considérées équivalentes (étant donné l’erreur échantillonnale) avec un niveau de confiance de 95%.
– Une estimation de la moyenne populationnelle avec un niveau de confiance de 95%.

23
Q

exemple de calcul d’intervalle de confiance

A 
Exemple: niveau de satisfaction sexuelle
• n = 36
• Moyenne échantillonnale = 32,5 points
• Écart type = 12
• Erreur type = 2,0
– IC(95%) = 32,5 +/- 1,96*2,0
– IC(95%) = 32,5 +/- 3,92
– IC(95%) = [28,58 à 36,42]
• La moyenne populationnelle se situerait entre 28,58 et 36,42 avec 95% de confiance.
24
Q
  1. Variables indépendantes et dépendantes
A

• Variable indépendante (VI)
– La VI est assignée ou manipulée en tant que cause ou facteur explicatif ou les conditions expérimentales / à contrôler
• Variable dépendante (VD)
– La VD varie en fonction de l’effet de la VI, ce qu’on essaie d’expliquer

VI –> VD
L’ordre dépend de la théorie

25
Q
  1. Les tests d’hypothèse: 2 propositions
A
  • Hypothèse nulle (H 0 ): suggère un effet nul ou une différence nulle
  • Hypothèse alternative (H 1 ): suggère un effet non nul ou une différence non nulle

Quand pas de différence significative, veut pas dire que ya pas vraiment de différence mais qu’on a pas assez de preuv: alors test est indéterminé ou preuves pas assez élevée

26
Q

Test de signification statistique

A

visent à rejeter H 0 pour appuyer l’idée qu’il existe un effet non nul ou une différence non nulle
• Dans l’absolu, rare de retrouver des différences ou des effets nuls
– À quel point les observations vont au delà de 95% des valeurs attendues (H 0 ) dans la population ?
– À quel point est ce que la différence ou l’effet observé dans l’échantillon est suffisamment élevé ou surprenant pour rejeter H 0

• Pour effectuer un test d’hypothèse, il faut sélectionner un seuil de signification statistique (alpha ; α).
• sciences humaines, le α =0,05 ou 5%.
• α = 1 - IC
– L’usage d’un intervalle de confiance de 95% implique un seuil de signification statistique de 5%

27
Q

Signification statistique = Taille d’effet X Taille de l’échantillon + conclusion

A

• Plus l’échantillon est grand, plus l’erreur sera petite, plus l’estimation sera précise et moins elle aura tendance à inclure le zéro
• Plus les différences ou les effets sont grands, plus il sera facile de confirmer avec un test que ces
différences ou ces effets sont non nuls

Conclusion d’un test d’hypothèse
Signification statistique
– Basée sur un critère statistique ( p < .05)
• Effet nul / indéterminé VS non nul

Signification pratique
– Basée sur l’interprétation de la direction de l’effet
• Effet positif / négatif
Basée sur l’interprétation de la taille d’effet
• Effet faible, moyen ou élevé

28
Q

Types d’erreurs

A

Erreur type 1 (faux positifs)
trouver une différence entre hommes et femmes sur le taux d’ITSS dans n quand y’en a pas dans N

erreur de type 2 (faux négatifs) –> souvent pas assez de monde
ex: pas trouver de différence entre les hommes et les femmes sur la fréquences des violences sexuelles vécue dans n quand yen a une dans N

29
Q

Corrélation déf

A

Degré de relation linéaire entre deux variables ordinales* ou continues
• Le coefficient de corrélation varie de -1 à 1
– Plus le coefficient se rapproche de 1, plus la corrélation est forte
• Corrélation ≠ causalité
*Débats sur les corrélations et les variables ordinales

30
Q

Interprétation du coefficient de corrélation, trois informations:

A

Signe positif ou négatif : direction
valeur du coefficient (force du lien entre les deux )
Contexte –> selon le champ d’expertise, est ce que ça à du sens.
ex: education corrèle avec le nb de partenaire sexuel, mais l’age explique davantage la corrélation, donc c’est une corrélation fallacieuse.

Corrélation nulle : pas de relation linéaire entre var ou points sont répartis aléatoirement

Valeur du coefficient de corrélation: 0,4 à 0,69 relation modéré, 0,7 à 0,89 forte, 0,9 très forte

31
Q

La transformation r à Z de Fisher

A

Comparer coefficients de corrélation dans 2 groupes indépendants
transforme r en score Z qui nous permet d’obtenir une valeur p

32
Q
  1. Coefficient de détermination
A

Coefficient de corrélation au crrée (r) = le coefficient de détermination

r2 = proportion de variance d’une variable qui est commune à la variance d’une autre variable (taille d’effet)

ex: r =0,30 ; r2 = 0,09
le niveau d’éducation permet d’expliquer 9% de la variance du niveau d’homophobie

33
Q

Analyse des propriétés métriques d’un questionnaire

A

modèle de base: Score observé = score vrai = erreur

a quel point le questionnaire a rendu justice à l’avis des gens

34
Q

Fidelité

A

Fidélité : Degré avec lequel le questionnaire est libre d’erreur aléatoire
– Test retest (stabilité): constance des résultats à travers le temps; évalue corrélation entre les deux séries de résultats (et non la moyenne)

– Formes parallèles (équivalence): constance des résultats à l’aide de questionnaire différents

– Accord inter juges (équivalence): constance des résultats évaluée par différents juge: coefficients

– Consistance interne (homogénéité): degré d’interrelation et d’homogénéité entre les items d’un questionnaire; méthode bissection (pas beaucoup de variable)
méthode d’intercorrélation: alpha de cronbach (seuil de ,7 et +) = indicateur de la proportion de variances des score d’une échelle qui est attribuable au score “vrai”.
1- coefficiant
ex: alpha de 0,8 = 20% de la variance est liée à erreur aléatoire

35
Q

Validité

A

Validité : Degré avec lequel le questionnaire permet de
mesurer la caractéristique d’intérêt

Deux valeurs liées à la validité
• Valeur descriptive : capacité d’un test à mesurer ce qu’il est supposé mesurer
• Valeur prédictive : si les résultats d’un test permettent de faire des inférences appropriées

– Apparence: Impressions de personnes non expertes sur ce que semble mesurer le questionnaire
• Impressions souvent recueillies de manière informelle

– Contenu: Examen évaluer s’il est constitué d’un échantillon d’items représentatif du construit mesuré, Jugement d’expert.es sur la pertinence des items et leur
couverture du construit mesuré

– Critériée (de critère): La corrélation entre les scores d’un questionnaire et un critère externe.

– Conceptuelle (de construit): Évaluation empirique de la définition du construit mesuré par des corrélations entre les items du questionnaire
• Vérification de l’adéquation entre le modèle théorique sous jacent et les résultats empiriques obtenus par l’entremise du questionnaire

36
Q

Facteurs réduisant et influencent Alpha de Cronbach

A

Une moyenne non centrale, une faible variance des items, des corrélations négatives entre les items et de faibles corrélations inter items tendront à réduire l’alpha

L’étendue de l’alpha est influencé par deux caractéristiques:

  1. l’étendue de la covariation entre les items
  2. le nombre d’items dans l’échelle ( plus ya d’item, plus ya de corrélation entre eux = meilleures alpha)

Corrélations item total: la corrélation d’un item à l’ensemble des items utilisés pour mesurer un construit
– En théorie, permet d’identifier dans quelle mesure un item est représentatif de l’échelle totale
– À regarder: la corrélation corrigée (si l’item était enlevé), car l’inclusion d’un item peut augmenter le coefficient de corrélation

37
Q

F. influencant la fidelite

A

Longueur du questionnaire
–plus il y a d’items, meilleure est la fidélité
•Variabilité des scores
–Plus il y a de la variabilité dans les scores, meilleure est la fidélité
•Réponses aléatoires
–Un patron de réponses aléatoires suggèrent une inconsistance des résultats, faibles corrélations
• Intervalle de temps entre le test et le retest
– Plus l’intervalle de temps entre deux passation est restreint, meilleure est la fidélité, car les résultats seront plus stables
• Variations dans les conditions de réalisation du test
• Choix des items

38
Q

Validité critériée : 2 types

A

–Validité concomitante : les résultats au questionnaire et l’évaluation du critère sont obtenus simultanément
ex: comparer une version courte vs le goal standard

– Validité prédictive : les résultats au questionnaire sont d’abord obtenus et le critère est évalué après un délai

ex: test d’orientation de carrière –> 20 ans plus tard le métier exercé.

39
Q

Méthodes pour vérifier la validité de construit

A

La corrélation entre les scores d’un questionnaire et de questionnaires mesurant d’autres construits
–Validité de convergence : corrélation avec des construits théoriquement reliés
– Validité discriminante : absence de corrélation avec des construits théoriquement peu reliés RARE

• Matrice multitraits multiméthodes
– Évaluation de plusieurs construits par plusieurs méthodes différentes
– Favorise l’obtention de renseignement sur la validité de convergence, la validité discriminante et le biais de la méthode

• L’analyse factorielle
–Calcul des corrélations entre les items et l’identification de variables latentes permettant de rendre compte d’un construit et de sa dimensionalité

40
Q

Facteurs influençant la validité

A

Variations dans les conditions de réalisation du test

Facteurs liés au critère choisi (pour la validité critériée)

Fidélité
–À faire attention: La fidélité est une condition nécessaire, mais non suffisante, à la validité
– Un test pourrait être fidèle, mais ne présenter aucune relation avec le construit qu’il est supposé mesurer.

La validité n’est pas une caractéristique intrinsèque à un questionnaire
–Variations dans les populations étudiées
–Variations dans les phénomènes étudiés
–Variations contextuelles
–Variations historiques et culturel

41
Q
  1. Analyse factorielle déf
A

Tentative de réduction des données sur des items

Permet de déterminer la présence de construits latents à partir d’items manifestes présents dans un questionnaire.
–Il est attendu que les items qui partagent un noyau conceptuel commun soient fortement associés les uns avec les autres
– Permet d’identifier empiriquement le noyau conceptuel commun d’un nombre de variables

Une des stratégies utilisées pour évaluer la validité de
construit d’un questionnaire.

42
Q

2 formes d’analyse factorielle

A

Exploratoire: la structure factorielle est inconnue ou
incertaine
–On ne sait pas exactement quelles sont les relations entre les items, la constitution et le nombre de facteurs
Deux objectifs:
1. Déterminer le nombre de facteurs
2. Établir la force des relations entre les items et les facteurs

Confirmatoire (AFC): la structure factorielle est déjà prévue
– Hypothèses déjà établies
–Objectif: vérifier la concordance entre la structure factorielle prévue et la structure factorielle avec les données obtenues

43
Q

Trois conditions nécessaires à une analyse factorielle

A
  1. nombre participant.es suffisamment élevé
    minimum 10 ou 300, mais pas de consensus
    Plus un échantillon sera grand, plus les résultats seront stables
  2. Les items doivent corréler les uns avec les autres
    –Matrice de corrélation: s’assurer que plusieurs des corrélations présentent un coefficient supérieur à 0,30
    – Deux indices supplémentaires pour vérifier cette condition:
    • La mesure de précision de l’échantillonnage de Kaiser Meyer Olkin (KMO): doit être de 0,6 ou plus
    Le test de sphéricité de Bartlett: doit être statistiquement significatif à p < .05
  3. Le lien entre les différentes variables doit être linéaire
    À faire attention: les données aberrantes, extrêmes et
    manquantes
44
Q

Analyse factorielle : Extraction des facteurs

A

L’analyse factorielle vise à obtenir un nombre optimal de
facteurs
– Représenter le plus adéquatement les différentes relations entre les variables avec le moins de facteurs possible

Plusieurs techniques d’analyse factorielle, mais on utilise factorisation en axes principaux

Plusieurs critères afin de juger du nombre optimal de
facteurs
–Critère de Kaiser : valeur propre Eigenvalue ) ≥ 1
– Test du coude (séparation dans la courbe avant que ça deviennent plat)

45
Q

Analyse Factorielle: Variance expliquée par les facteurs + rotation

A

•
Variance totale expliquée par l’ensemble des facteurs

Variance commune (covariance) entre les facteurs

À faire attention: toujours rapporter les Eigenvalues après rotation et la variance commune entre les facteurs

Procédé mathématique facilitant l’interprétation des facteurs
•Deux types de rotation

Rotation oblique: Corrélations entre les facteurs (on utilise celle la parce qu’en science humaine les variables ne sont pas indépendante)
Rotation orthogonale: Indépendance des facteurs

46
Q

Saturation des items sur les facteurs: analyse factorielle

A

Saturation: « corrélation » de l’item avec le facteur

Une saturation indique dans quelle mesure un item
appartient ou représente un facteur

Selon Tabachnick et Fidell (2013): ≥ 0,32
Selon Stevens (2002): ≥ 0,40

Structure simple: les items saturent suffisamment sur un seul facteur

47
Q

L’analyse factorielle: un processus itératif + nommer les facteurs

A

On examine la structure factorielle pour ensuite prendre des décisions

On répète la procédure jusqu’à temps qu’on obtienne une structure factorielle satisfaisante

Il est préférable d’éliminer un item à la fois et de documenter le processus d’élimination

L’analyse factorielle est un exercice statistique:
l’interprétation théorique des facteurs vient du chercheur
•La qualité d’une solution factorielle ne réside pas seulement dans ses statistiques, mais aussi dans l’ interprétabilité des facteurs extraits

Il faut rapporter nbr de facteurs, % de covariance expliquée, nommer les facteurs, discuter des items problématique et des décisions prisees

48
Q

analyse factorielle : Deux familles de méthodes de création des scores

A

Méthode non-rafinées: moyenne des items: utiliser d’habitude, mais tous les items ont le meme poids

Méthode raffinées : score factoriels par régression: podération des items, mais c’est un peu subjectifs dépendamment de la méthode utilisé –> rotation et extraction

Métho quanti (1 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2025 Bold Learning Solutions. Terms and Conditions