Examen 2

Question 1

Pourquoi examiner les stats descriptives avant AFE?

Answer 1

Pour identifier et traiter le sproblèmes potentiels, assurer la validité en vérifiant les préalables et optimiser l’analyse avec les méthodes le splus appropriées

Question 2

Préalables de l’AFE

Answer 2

absence de multicolinéarité,linéarité, homognéité des var et normlaité multivariée

Question 3

La matrice de corrélation sert de base pour (3)

Answer 3

1- éval pertinence AFE
2- extraire facteurs
3- interpréter résultats

Question 4

si > 0,85; c’est que

Answer 4

colinéarité donc afe pertinente

Question 5

si <0,25…

Answer 5

corr trop petites donc impossible de trouver un facteur

Question 6

la matrice de corr inverse est essentielle pour (3)

Answer 6

1- évaluer l’adéquation de l’ensemble des données
2- comprendre les relations uniques (coli)
3- améliorer la qualité du modèle

Question 7

KMO = clef pour l’afe car… (3)

Answer 7

1- éval adéquation des data
2- assurer pertinences des facteurs (proche de 1 = fiables et représentatifs)
3- aider interp des résultats

Question 8

utilité du test de Bartlett dans l’AFE (3)

Answer 8

1- vérifier hypothèse d,omogénéité
2- éval faisabilité de L’AFE (=<0,5)
3- renforcer validité de l’analyse (struct latentes à explorer)

Question 9

Matrice corr anti-image (KMO/item), indcateur clef dans l’AFE pour (3)

Answer 9

1- éval corr partielles inversée
2- id variables problématiques (KMO <0,5)
3- optimiser qualité du modèle

Question 10

Matrice image est la partie de la var qui est expliquée (var commune) alors que anti image

Answer 10

n’est pas expliquée par les autres items ou par la combinaison linéaire des autres items

Question 11

la qualité de représentation (% de var expliquée par le nb de facteurs extraits) est essentielle pour (3)

Answer 11

1- éval adéquation des variables
2- optimiser le modèle factoriel
3- assurer la validité des conclusions

Question 12

avant de re-tester la qualité de rep, il ne faut pas

Answer 12

retirer plus d’un item à la fois

Question 13

la variance totale expliquée est essentielle pour

Answer 13

1- déterminer le nb optimal de facteurs à retenir
2- évaluer l’adéquation du modèle factoriel
3- assurer validité des conclusions

Question 14

Le tracé d’effondrement est un outil visuel essentiel pour

Answer 14

1- visualiser la distribution des valeurs propres
2- aider à la sélection des facteurs
3- optimiser la simplification du modèle

Question 15

matrice produite avant la rotation des facteurs permet de

Answer 15

• représenter les charges factorielles initiales
• aider compréhension brute des relation
• préparer optimisation par rotation

Question 16

la matrice de corr reconstituée permet de

Answer 16

• comparer les corr observées et modélisées (correspondance avec data d’oorigien)
• éval la qualité d’ajustement du modèle
• affiner le modèle factoriel

Question 17

résidus sont essentiels pour

Answer 17

• éval les écarts entre corr observées et reconstituées
• identifier les faibles du modèle
• améliorer ajustement global

Question 18

matrice de forme permet de

Answer 18

• représenter els relations entre les variables et les facteurs extraits
• fournir une vue d’ensemble des charges factorielles
• être complémentaire à la matrice de structure

Question 19

la matrice de structure permet de

Answer 19

• représenter ls corr v-facteurs
• fournir interprétations complètes des relations
• être utile en présence de facteurs corrélés

Question 20

matrice de corr des facteurs permet de

Answer 20

• éval les relations entre facteurs extraits
• fournir infos pour rotations obliques
• aider décision sur indépendance des facteurs

Question 21

omega de mcdo dans l’anlayse de fidélité pour

Answer 21

• éval cohérence interne
• éviter hypoth trop strictes
• optimiser l’évald e fiabilité

Question 22

alpha ordinale dans les SEM pour

Answer 22

• cohérence interne des fact latents
• prendre en compte charges facto
• optimiser éval de la fidélité

Question 23

test re-test pour

Answer 23

• stabilité de la mesure
• corr entre 2 administrations
• identifier effets de la temporalité

Question 24

split-half pour

Answer 24

cohérence interne
spearman-brown (estimation de fid dans son ensemble)

Question 25

inter-juges pour

Answer 25

• eval accord entre plusieurs évaluateurs
• utiliser des statistiques spécifiques (kappa cohen, kappa pondéré, ICC)
• optimiser fiabilité des eval humaines

Question 26

analyse d’item sert à quoi

Answer 26

evaluer la pertinence d’un item par sa suppression et sone ffet sur la cohérence interne

Question 27

analyse d’item par moyenne

Answer 27

Une différence notable dans la moyenne peut indiquer que cet item influence significativement le score global de l’échelle

Question 28

analyse d’item par la variance

Answer 28

Si la suppression d’un item réduit ou augmente significativement la variance, cela peut indiquer un effet de cet item sur la cohérence globale.

Question 29

analyse d’item par la corrélation item-total corrigée

Answer 29

Une corrélation élevée (généralement > 0,30) indique que l’item est bien aligné avec le reste de l’échelle. Si la corrélation est faible, cela peut signifier que l’item mesure un concept différent ou n’est pas pertinent pour l’ensemble.

Question 30

analyse d,item par corr multiple au carré

Answer 30

valeurs élevées indiquent que l’item est bien expliqué par les autres items. Si valeur faible, suggère que l’item est moins corrélé avec les autres items /:

Question 31

omega mcdo si suppression d’item

Answer 31

Comme pour l’alpha, si la suppression de l’item augmente l’Omega, cela peut indiquer que l’item n’est pas cohérent avec le reste de l’échelle. Un Omega stable ou réduit après suppression indique que l’item contribue bien à la cohérence interne de l’échelle.

Question 32

alpha cronbach si suppresion d’item

Answer 32

Si la suppression d’un item augmente l’alpha, l’item est peut-être problématique pour la cohérence interne de l’échelle. Si la suppression réduit l’alpha, l’item contribue positivement à la fiabilité de l’échelle