In Chapter 1, you will learn how to conduct an EFA to examine the statistical properties of a measure designed around one construct.

Introduction to Exploratory Factor Analysis (EFA)

Starting out with a unidimensional EFA

Viewing and visualizing the factor loadings

Interpreting individuals' factor scores

Overview of the measure development process

Descriptive statistics of your dataset

Splitting your dataset

Comparing the halves of your dataset

Measure features: correlations and reliability

Viewing and testing correlations

Internal reliability

When to use EFA

Evaluating your measure with factor analysis

This chapter will show you how to extend the single-factor EFA you learned in Chapter 1 to multidimensional data.

Déterminer la dimensionnalité

Scinder le jeu de données BFI

Calcul des valeurs propres

Créer un scree plot

Interpréter le scree plot

Comprendre les données multidimensionnelles

Réaliser une EFA multidimensionnelle

Interpreting the results

Examiner l’ajustement du modèle

Interpréter les statistiques d’ajustement absolu du modèle

Sélectionner le meilleur modèle

Multidimensional EFA

This chapter will cover conducting CFAs with the sem package. Both theory-driven and EFA-driven CFA structures will be covered.

Setting up a CFA

Creating CFA syntax from EFA results

Creating CFA syntax from theory

Understanding the sem() syntax

Components of sem() syntax

Run a CFA and interpret loadings

Examine item loadings

Investigating model fit

Absolute fit statistics

Relative fit statistics

Confirmatory Factor Analysis

This chapter will reinforce the difference between EFAs and CFAs and offer suggestions for improving your model and/or measure.

EFA vs. CFA revisited

Differences in estimated factor loadings

Plotting differences in persons' factor scores

Adding loadings to improve fit

Add loadings to improve fit

Compare original model to model with added loadings

Evaluate added loadings with relative fit stats

Improving fit by removing loadings

Remove loadings to improve fit

Compare original model to model with deleted loadings

Evaluate deleted loadings with relative fit stats

Wrap-Up Video

Refining your measure and/or model

Generic Conspiracist Beliefs Scale (GCBS) dataset

Le monde est rempli de variables non observables qui ne peuvent pas être mesurées directement. Vous pouvez vous intéresser à un construit comme l’aptitude en mathématiques, des traits de personnalité ou le climat au travail. Lorsque vous étudiez de tels construits, il est essentiel de disposer d’un modèle cohérent avec vos théories et vos données. Ce cours vous aidera à comprendre la notion de dimensionnalité et vous montrera comment réaliser des analyses factorielles exploratoires et confirmatoires. Grâce à ces techniques statistiques, vous pourrez développer, affiner et 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 est rempli de variables non observables qui ne peuvent être mesurées directement. Vous pourriez être intéressé par des concepts tels que les aptitudes en mathématiques, les traits de personnalité ou l'ambiance au travail. Lorsqu'on étudie des concepts comme ceux-ci, il est essentiel de disposer d'un modèle qui corresponde à vos théories et à vos données. 
<br><br>
Ce cours vous aidera à appréhender 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 (AFE), en apprenant à visualiser les chargements factoriels, à interpréter les scores factoriels, ainsi qu'à visualiser et tester les corrélations. 
<br><br>
Une fois que vous vous serez familiarisé avec l'EFA à facteur unique, vous passerez aux données multidimensionnelles, en apprenant à calculer les valeurs propres, à créer des graphiques d'écran, etc. Ensuite, vous découvrirez l'analyse factorielle confirmatoire (AFC) et apprendrez à créer une syntaxe à partir des résultats de l'AEF et de la théorie. 
<br><br>
Le dernier chapitre examine les EFA et les CFA, en fournissant des exemples des deux. Vous apprendrez également comment améliorer votre modèle et mesurer son efficacité lors de son utilisation. 
<br><br>
</h2>Développez, affinez et partagez vos mesures<h2>
Grâce à ces techniques statistiques, vous serez en mesure de développer, d'affiner et de partager vos mesures. Ces analyses sont fondamentales pour 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 4 heures pour découvrir l'analyse factorielle exploratoire et confirmatoire en R.

Analyse factorielle avec R

Explorer les variables latentes, telles que la personnalité, à l'aide d'analyses factorielles exploratoires et confirmatoires.

Statisticien en R

Interpréter les statistiques d’ajustement absolu du modèle

Exercice interactif pratique