Examen 2 Flashcards
Pourquoi examiner les stats descriptives avant AFE?
Pour identifier et traiter le sproblèmes potentiels, assurer la validité en vérifiant les préalables et optimiser l’analyse avec les méthodes le splus appropriées
Préalables de l’AFE
absence de multicolinéarité,linéarité, homognéité des var et normlaité multivariée
La matrice de corrélation sert de base pour (3)
1- éval pertinence AFE
2- extraire facteurs
3- interpréter résultats
si > 0,85; c’est que
colinéarité donc afe pertinente
si <0,25…
corr trop petites donc impossible de trouver un facteur
la matrice de corr inverse est essentielle pour (3)
1- évaluer l’adéquation de l’ensemble des données
2- comprendre les relations uniques (coli)
3- améliorer la qualité du modèle
KMO = clef pour l’afe car… (3)
1- éval adéquation des data
2- assurer pertinences des facteurs (proche de 1 = fiables et représentatifs)
3- aider interp des résultats
utilité du test de Bartlett dans l’AFE (3)
1- vérifier hypothèse d,omogénéité
2- éval faisabilité de L’AFE (=<0,5)
3- renforcer validité de l’analyse (struct latentes à explorer)
Matrice corr anti-image (KMO/item), indcateur clef dans l’AFE pour (3)
1- éval corr partielles inversée
2- id variables problématiques (KMO <0,5)
3- optimiser qualité du modèle
Matrice image est la partie de la var qui est expliquée (var commune) alors que anti image
n’est pas expliquée par les autres items ou par la combinaison linéaire des autres items
la qualité de représentation (% de var expliquée par le nb de facteurs extraits) est essentielle pour (3)
1- éval adéquation des variables
2- optimiser le modèle factoriel
3- assurer la validité des conclusions
avant de re-tester la qualité de rep, il ne faut pas
retirer plus d’un item à la fois
la variance totale expliquée est essentielle pour
1- déterminer le nb optimal de facteurs à retenir
2- évaluer l’adéquation du modèle factoriel
3- assurer validité des conclusions
Le tracé d’effondrement est un outil visuel essentiel pour
1- visualiser la distribution des valeurs propres
2- aider à la sélection des facteurs
3- optimiser la simplification du modèle
matrice produite avant la rotation des facteurs permet de
- représenter les charges factorielles initiales
- aider compréhension brute des relation
- préparer optimisation par rotation
la matrice de corr reconstituée permet de
- comparer les corr observées et modélisées (correspondance avec data d’oorigien)
- éval la qualité d’ajustement du modèle
- affiner le modèle factoriel
résidus sont essentiels pour
- éval les écarts entre corr observées et reconstituées
- identifier les faibles du modèle
- améliorer ajustement global
matrice de forme permet de
- 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
la matrice de structure permet de
- représenter ls corr v-facteurs
- fournir interprétations complètes des relations
- être utile en présence de facteurs corrélés
matrice de corr des facteurs permet de
- éval les relations entre facteurs extraits
- fournir infos pour rotations obliques
- aider décision sur indépendance des facteurs
omega de mcdo dans l’anlayse de fidélité pour
- éval cohérence interne
- éviter hypoth trop strictes
- optimiser l’évald e fiabilité
alpha ordinale dans les SEM pour
- cohérence interne des fact latents
- prendre en compte charges facto
- optimiser éval de la fidélité
test re-test pour
- stabilité de la mesure
- corr entre 2 administrations
- identifier effets de la temporalité
split-half pour
cohérence interne
spearman-brown (estimation de fid dans son ensemble)
inter-juges pour
- eval accord entre plusieurs évaluateurs
- utiliser des statistiques spécifiques (kappa cohen, kappa pondéré, ICC)
- optimiser fiabilité des eval humaines
analyse d’item sert à quoi
evaluer la pertinence d’un item par sa suppression et sone ffet sur la cohérence interne
analyse d’item par moyenne
Une différence notable dans la moyenne peut indiquer que cet item influence significativement le score global de l’échelle
analyse d’item par la variance
Si la suppression d’un item réduit ou augmente significativement la variance, cela peut indiquer un effet de cet item sur la cohérence globale.
analyse d’item par la corrélation item-total corrigée
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.
analyse d,item par corr multiple au carré
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 /:
omega mcdo si suppression d’item
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.
alpha cronbach si suppresion d’item
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
