Questions V / F Flashcards
V / F :
Dans un modèle SEM, une valeur de RMSEA supérieure à 0,10 est considérée comme acceptable pour un bon ajustement du modèle, indiquant que les écarts entre le modèle théorique et les données observées sont négligeables.
Faux, doit être < 0.06
V / F
En analyse SEM, un CFI proche de 0,95 ou supérieur indique un bon ajustement du modèle aux données.
Vrai
V / F
Dans une analyse SEM, des indices tels que le CFI et le RMSEA sont utilisés pour évaluer l’ajustement global du modèle.
Vrai
V / F
En analyse SEM, un RMSEA supérieur à 0,10 est considéré comme un bon ajustement du modèle.
Faux, doit être < 0.06
V / F
Dans une analyse en équations structurelles (SEM), l’absence de normalité des données est acceptable, car le modèle SEM est insensible aux déviations de normalité.
Faux, cela va probablement nécessiter un plus gros échantillon pour pallier et pour minimiser l’erreur de mesure
V / F
Dans une régression en équations structurelles, un RMSEA de 0,15 est acceptable pour un bon ajustement du modèle.
faux, doit être < 0.06
V / F
En analyse SEM, il est possible de contrôler les erreurs
Vrai
V / F
En analyse SEM, il n’est pas possible de tester plusieurs modèles afin de déterminer lequel s’ajuste le mieux à nos données
Faux
V / F
En analyse SEM, il est essentiel de tester les niveaux d’invariance (configural, métrique, scalaire et stricte)
Vrai
V / F
En analyse SEM, c’est l’invariance métrique qui est rarement atteinte
faux, c’est stricte
V / F
En analyse SEM, une valeur CFI ou TLI supérieur à 0.70 indique un bon ajustement du modèle
Faux, doit être >0.90
V / F
En analyse SEM, l’erreur de mesure représente la partie de la variance qui est expliquée, on souhaite donc que sa valeur soit élevée
Faux, il s’agit de la partie non expliquée par le modèle et on veut que la valeur soit la plus petite possible
V / F
En analyse SEM, la variance commune des items EST le ou les facteurs de 1er ordre
vrai,
la variance commune des facteurs de 1er ordre EST le facteur de 2e ordre
V / F
En analyse SEM, l’évaluation de la qualité du modèle à l’aide du Khi2, doit être significatif pour indiquer un bon ajustement
Faux, il doit être non significatif pour indiquer le bon ajustement
V / F
le test du khi2 est très influençable par la taille de l’échantillon, ce qui fait en sorte que plus le N est gros, plus le test a de chances d’être non significatif
Faux, en effet le test khi2 est très influençable par la taille du N, mais un gros N rend automatiquement le test significatif, ce qui n’indique pas un bon ajustement et nécessite l’évaluation des autres indices
V / F
En analyse SEM, le RMSEA et SRMR sont des indices d’ajustement basés sur les erreurs de mesure
Vrai, c’est pour cela qu’ils doivent être petit (RMSEA < 0.06; SRMR < 0.05) afin d’indiquer un bon ajustement
V / F
En analyse SEM, la division du khi2 par son DF représente une correction pertinente à faire lors de l’évaluation de la qualité du modèle. Le résultat doit être inférieur à 4
Faux, cela représente bien une correction pertinente toutefois, elle doit être < 2
V / F
En analyse SEM, khi2 / DF est une forme de standardisation pour diminuer l’importance du N
Vrai
V / F
En analyse SEM, dans une path analysis, si on enlève les var. obs. on obtient une SEM classique
vrai
V / F
En analyse SEM, on retrouve deux indices de base
vrai, khi2 et khi2/DF
V / F
En analyse SEM, on retrouve 3 indices absolus
faux, il y en a 4 (GFI, AGFI, RMSEA, SRMR)
V / F
En analyse SEM, AGFI prend en compte la complexité du modèle
vrai
V / F
En analyse SEM, GFI et AGFI sont des dérivations du khi2
vrai
V / F
En analyse SEM, il y 2 deux indices comparatifs
vrai, CFI et TLI
V / F
En analyse SEM, nous devons appliquer sans réfléchir toutes les indices de modification (MI)
Faux, cela pourrait conduire à un surajustement du modèle et réduire sa validité générale
V / F
En analyse SEM, les MI tiennent compte de la complexité croissante lorsque des relations supplémentaires sont ajoutées
faux, ils n’en tiennent aucunement compte
V / F
En analyse SEM, on souhaite avoir 10 à 15 participants par variables observées (items)
faux, 10 à 20 (bcp item = 10, pas bcp = 20)
V / F
En analyse SEM, la méthode des moindres carrés pondérés (WLS) est celle qui requiert le moins de participant
Faux, c’est celle qui en requiert le plus (> 500)
Max. de vraisemblance : 200 à 500
moindres carrés partiel (PLS) et méthodes bayésiennes : < 200
V / F
En analyse SEM, plus il y a d’hypothèses dans le modèle plus ce dernier est complexe
vrai
V / F
En analyse SEM, le bootstrapping est reconnu pour sa robustesse car il n’est pas influençable par le N vu qu’il le rééchantillonne plusieurs fois
Faux, il permet de générer des IC95% afin de déterminer si tous les indices sont sig. ou non sig. Cela permet donc d’augmenter la fiabilité et la précision. Mais il rééchantillonne bien plusieurs fois les données (normalement 1000x)