Analyser un cas de Heywood latent

Un refuge pour animaux local a conçu un sondage pour mesurer l'impact de son programme Adopt Me. Les répondants ont évalué la photo de chaque chien, son histoire, et d'autres caractéristiques afin d'indiquer le « potentiel d'adoption » de chaque animal.

Les données adoptsurvey contiennent les six items évalués : pictures, background, loveskids mesurent une variable latente « good story », tandis que energy, wagstail, playful mesurent une variable latente « in person ». Vous allez construire un modèle à deux facteurs basé sur leur sondage et l'examiner pour repérer des cas de Heywood. La bibliothèque lavaan a été chargée pour vous.

Cette activité fait partie du cours

Modélisation par équations structurelles avec lavaan dans R

Instructions de l’exercice

La variable latente goodstory est mesurée par pictures, background et loveskids.
La variable latente inperson est mesurée par energy, wagstail et playful.
Analysez le modèle à deux facteurs avec la fonction cfa().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Look at the data
head(adoptsurvey)

# Build the model
adopt.model <- 'goodstory ___
inperson ___'

# Analyze the model
adopt.fit <- cfa(model = ___, data = ___)

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 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

Exercice en cours

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