Au chapitre 1, vous apprendrez à réaliser une AFE pour examiner les propriétés statistiques d'un instrument conçu autour d'un seul construit.

Introduction à l'analyse factorielle exploratoire (EFA)

Premiers pas avec une AFE unidimensionnelle

Afficher et visualiser les saturations factorielles

Interpréter les scores factoriels des personnes

Aperçu du processus d'élaboration d'une mesure

Statistiques descriptives de votre jeu de données

Scinder votre ensemble de données

Comparer les deux moitiés de votre jeu de données

Caractériser la mesure : corrélations et fidélité

Visualiser et tester les corrélations

Fidélité interne

Quand utiliser l'EFA

Évaluer votre instrument avec l'analyse factorielle

Ce chapitre vous montrera comment étendre l'AFE à un facteur du chapitre 1 à des données multidimensionnelles.

Déterminer la dimensionnalité

Fractionner l'ensemble de données BFI

Calcul des valeurs propres

Créer un diagramme d'éboulis

Interpréter le diagramme d'éboulis

Comprendre les données multidimensionnelles

Réaliser une EFA multidimensionnelle

Interpréter les résultats

Examiner l'ajustement du modèle

Interpréter les statistiques d'ajustement absolu du modèle

Choisir le meilleur modèle

AFE multidimensionnelle

Ce chapitre expliquera comment effectuer des AFC avec le progiciel sem. Des structures d'AFC fondées sur la théorie et issues d'une AFE seront couvertes.

Configurer une AFC

Créer une syntaxe de CFA à partir des résultats d'EFA

Créer une syntaxe d'AFC à partir de la théorie

Comprendre la syntaxe de sem()

Éléments de la syntaxe de sem()

Exécuter une AFC et interpréter les chargements

Examiner les chargements des items

Statistiques d'ajustement absolu

Statistiques d'ajustement relatives

Analyse factorielle confirmatoire

Ce chapitre reviendra sur la différence entre AFE et AFC et proposera des pistes pour améliorer votre modèle et/ou votre instrument.

Retour sur l'EFA et la CFA

Différences dans les saturations factorielles estimées

Tracer les différences entre les scores factoriels des personnes

Ajouter des charges factorielles pour améliorer l'ajustement

Ajouter des saturations pour améliorer l'ajustement

Comparer le modèle initial au modèle avec des saturations ajoutées

Évaluer les chargements ajoutés avec des statistiques d'ajustement relatives

Améliorer l'ajustement en retirant des chargements

Retirer des charges factorielles pour améliorer l'ajustement

Comparer le modèle original au modèle avec des saturations supprimées

Évaluer les charges supprimées avec des statistiques d'ajustement relatives

Vidéo de conclusion

Affiner votre instrument et/ou votre modèle

Generic Conspiracist Beliefs Scale (GCBS) dataset

Le monde regorge de variables non observables qui ne peuvent pas être mesurées directement. Vous pourriez vous intéresser à un construit comme l'habileté en mathématiques, des traits de personnalité ou le climat de travail. Lorsque vous étudiez ce type de construit, il est essentiel d'avoir un modèle qui concorde avec vos théories et vos données. Ce cours vous aidera à comprendre la dimensionnalité et vous montrera comment réaliser des analyses factorielles exploratoires et confirmatoires. Avec ces techniques statistiques dans votre boîte à outils, vous serez en mesure de créer, d'affiner et de partager vos instruments de mesure. Ces analyses sont fondamentales dans des domaines variés tels que la psychologie, l'éducation, la science politique, l'économie et la linguistique.

<h2>Découvrez l’analyse factorielle dans R</h2>
Le monde regorge de variables inobservables qui ne peuvent pas être mesurées directement. Vous pourriez être intéressé par un concept comme les aptitudes en mathématiques, les traits de personnalité ou le climat de travail. Lorsque vous étudiez des concepts comme ceux-ci, il est essentiel d’avoir un modèle qui corresponde à vos théories et à vos données. 
<br><br>
Ce cours vous aidera à comprendre la dimensionnalité et vous montrera comment réaliser des analyses factorielles exploratoires et confirmatoires. 
<br><br>
<h2>Apprenez à utiliser l’analyse factorielle exploratoire et l’analyse factorielle confirmatoire </h2>
Vous commencerez par vous familiariser avec l’analyse factorielle exploratoire (EFA), en apprenant à consulter et à visualiser les charges factorielles, à interpréter les scores factoriels, ainsi qu’à consulter et à tester les corrélations. 
<br><br>
Une fois que vous serez à l’aise avec l’EFA à facteur unique, vous passerez à des données multidimensionnelles, en explorant le calcul des valeurs propres, la création de diagrammes de dispersion, et plus encore. Ensuite, vous découvrirez l’analyse factorielle confirmatoire (AFC), en apprenant à créer une syntaxe à partir des résultats de l’AFE et de la théorie. 
<br><br>
Le chapitre final examine les AFE par rapport aux ACF, en donnant des exemples des deux. Vous apprendrez également comment améliorer votre modèle et mesurer son utilisation. 
<br><br>
</h2>Développez, peaufinez et partagez vos mesures<h2>
Avec ces techniques statistiques dans votre boîte à outils, vous serez en mesure de développer, d’affiner et de partager vos mesures. Ces analyses sont fondamentales dans divers domaines, notamment la psychologie, l’éducation, les sciences politiques, l’économie et la linguistique."

Intermediate R

Foundations of Inference in R

Commencez ce cours de quatre heures pour explorer l'analyse factorielle en R et découvrir les variables latentes.

Analyse factorielle avec R

Explorez les variables latentes, comme la personnalité, à l’aide d’analyses factorielles exploratoires et confirmatoires.

Statisticien en R

Quand utiliser l'EFA

Analyse factorielle avec R

Exercice interactif pratique