Corriger le modèle latent avec Heywood

Dans le dernier exercice, vous avez constaté que le sondage d'adoption présentait une corrélation > 1 sur la variable latente. Vous devez corriger ce cas de Heywood en fusionnant les deux variables latentes en une seule. Ensuite, analysez et résumez le modèle pour vérifier si le regroupement de ces deux facteurs en un seul a réglé la corrélation problématique.

Cette activité fait partie du cours

Modélisation par équations structurelles avec lavaan dans R

Instructions de l’exercice

Modifiez le modèle pour créer un seul facteur goodstory mesuré par les six variables manifestes du jeu de données adoptsurvey.
Analysez le modèle avec la fonction cfa() pour vous assurer qu'aucun message d'erreur n'apparaît.
Exécutez summary() sur le modèle pour consulter l'ajustement final.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Look at the data
head(adoptsurvey)

# Edit the original model 
adopt.model <- 'goodstory =~ pictures + background + loveskids
inperson =~ energy + wagstail + playful'

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

# Look for Heywood cases
summary(___, standardized = TRUE, fit.measures = TRUE)

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 Exercise 3: Corriger le modèle latent avec Heywood

Exercice en cours

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