Sélectionner le meilleur modèle
Mettez maintenant à profit vos connaissances sur la recherche et l’interprétation des indices d’ajustement absolus et relatifs pour choisir le meilleur modèle pour vos données. Lorsque j’ai présenté ce jeu de données, j’ai indiqué que les items étaient supposés se charger sur cinq facteurs, mais vous avez peut-être remarqué que votre scree plot indiquait six facteurs. Vous vous demandez peut-être lequel privilégier. Pas d’inquiétude : vous pouvez utiliser les indices d’ajustement pour prendre une décision empirique sur le nombre de facteurs à retenir.
Vous allez d’abord utiliser le jeu de données bfi_EFA pour lancer des EFA avec chacun des nombres de facteurs hypothétisés. Ensuite, vous examinerez le BIC, un indice d’ajustement relatif, pour comparer les modèles. Souvenez-vous : plus le BIC est faible, mieux c’est !
Cet exercice fait partie du cours
Analyse factorielle avec R
Instructions
- Exécutez deux EFA sur le jeu de données
bfi_EFA: l’une avec cinq facteurs selon la théorie, et l’autre avec six facteurs selon les valeurs propres. - Examinez la valeur du BIC pour chacun des modèles. Le BIC est stocké dans l’élément de liste
BICde l’objet de résultats.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Run each theorized EFA on your dataset
bfi_theory <- ___(___, nfactors = ___)
bfi_eigen <- ___(___, nfactors = ___)
# Compare the BIC values
___
___