Explorer les indices d'ajustement

Après avoir examiné les chargements standardisés dans l'exercice précédent, nous avons constaté que plusieurs variables manifestes pourraient mal représenter notre variable latente. Comme seconde mesure de notre modèle, vous pouvez examiner les indices d'ajustement pour vérifier si le modèle s'ajuste correctement aux données. Vous pouvez consulter à la fois les statistiques de qualité d'ajustement et de défaut d'ajustement à l'aide de l'argument fit.measures dans la fonction summary().

Rappelez-vous que les statistiques de qualité d'ajustement, comme le CFI et le TLI, devraient être élevées (au-dessus de 0,90) et proches de un, tandis que les mesures de défaut d'ajustement comme le RMSEA et le SRMR devraient être faibles (inférieures à 0,10) et proches de zéro.

Cette activité fait partie du cours

Modélisation par équations structurelles avec lavaan dans R

Instructions de l’exercice

Utilisez la fonction summary() sur votre modèle text.fit.
Incluez l'argument pour afficher les indices d'ajustement.
N'incluez pas les chargements standardisés.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Load the lavaan library
library(lavaan)

# Load the data and define model
data(HolzingerSwineford1939)
text.model <- 'textspeed =~ x4 + x5 + x6 + x7 + x8 + x9'

# Analyze the model with cfa()
text.fit <- cfa(model = text.model, data = HolzingerSwineford1939)

# Summarize the model

Modifier et exécuter le code

Cette activité fait partie du cours

Modélisation par équations structurelles avec lavaan dans R

SkillTag.level.advancedSkillTag.label

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous allez créer votre premier modèle à équations structurelles avec lavaan. Vous apprendrez la terminologie essentielle, ainsi que la façon de construire et d'exécuter des modèles. Vous élaborerez un modèle à un facteur des aptitudes aux tests mentaux à partir du jeu de données classique de Holzinger et Swineford (1939).

Exercise 1: Spécification du modèle Exercise 2: Construire le modèle de vitesse de lecture Exercise 3: Créer un modèle de démocratie politique Exercise 4: Analyse de modèle Exercise 5: Analyser le modèle de vitesse en lecture Exercise 6: Résumer la démocratie politique Exercise 7: Évaluation du modèle Exercise 8: Examiner les saturations normalisées Exercise 9: Explorer les indices d'ajustement

Exercice en cours

Exercise 10: Examiner la démocratie politique

Dans ce chapitre, vous élargirez vos compétences dans lavaan pour créer des modèles à facteurs multiples. Nous améliorerons les modèles à un facteur du chapitre précédent en créant plusieurs variables latentes à partir du jeu de données classique de Holzinger et Swineford (1939).

Exercise 1: Spécification multifactorielle Exercise 2: Créer un modèle à 0 ddl Exercise 3: Corriger le modèle à degré de liberté nul Exercise 4: Construire un modèle multifactoriel Exercise 5: Résumer le modèle multifactoriel Exercise 6: Structure du modèle Exercise 7: Modèle à trois facteurs avec corrélation nulle Exercise 8: Créer un chemin direct Exercise 9: Indices de modification Exercise 10: Vérifier la variance du modèle Exercise 11: Examiner les indices de modification Exercise 12: Comparaison de modèles Exercise 13: Comparer deux modèles Exercise 14: Sélectionner des indices d'ajustement précis

Les modèles à équations structurelles ne s'exécutent pas toujours sans accroc. Dans ce chapitre, vous apprendrez à dépanner les cas de Heywood, qui sont des erreurs courantes. Vous apprendrez aussi à faire le diagramme de votre modèle dans R en utilisant la bibliothèque semPlot.

Exercise 1: Cas de Heywood sur la variable latente Exercise 2: Analyser un cas de Heywood latent Exercise 3: Corriger le modèle latent avec Heywood Exercise 4: Cas de Heywood sur les variables manifestes Exercise 5: Analyser un cas de Heywood manifeste Exercise 6: Corriger le modèle Heywood manifeste Exercise 7: Créer des diagrammes avec semPaths()Exercise 8: Schéma SEM de base Exercise 9: Modifier la disposition Exercise 10: Modifier les étiquettes

Ce chapitre examine l'échelle de QI WAIS-III et ses propriétés structurelles. Vous mobiliserez les compétences acquises dans les trois premiers chapitres pour créer divers modèles de la WAIS-III, dépanner les erreurs dans ces modèles et produire des diagrammes du modèle final.

Exercise 1: Modéliser l'échelle de QI WAIS-III Exercise 2: Créer un modèle à quatre facteurs Exercise 3: Mettre le modèle à jour Exercise 4: Créer le diagramme du modèle final Exercise 5: Mettre à jour le modèle WAIS-III Exercise 6: Ajouter des chemins pour améliorer l'ajustement Exercise 7: Comparer les modèles Exercise 8: Un modèle hiérarchique du QI Exercise 9: Créer un modèle hiérarchique Exercise 10: Créer le diagramme du modèle hiérarchique Exercise 11: Conclusion du cours