Dans le chapitre 1, vous apprendrez à réaliser une AFE pour examiner les propriétés statistiques d’un instrument conçu autour d’un seul construit.

Introduction à l’analyse factorielle exploratoire (EFA)

Premiers pas avec une AFE unidimensionnelle

Afficher et visualiser les saturations factorielles

Interpréter les scores factoriels des individus

Aperçu du processus de développement d’une mesure

Statistiques descriptives de votre jeu de données

Scinder votre jeu de données

Comparer les deux moitiés de votre jeu de données

Caractériser votre mesure : corrélations et fidélité

Visualiser et tester les corrélations

Fidélité interne

Quand utiliser l’EFA

Évaluer votre instrument avec l’analyse factorielle

Ce chapitre vous montrera comment étendre l’AFE à un facteur unique vue au chapitre 1 à des données multidimensionnelles.

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

AFE multidimensionnelle

Ce chapitre expliquera comment réaliser des AFC avec le package sem. Des structures d’AFC fondées sur la théorie et guidées par l’AFE seront abordées.

Configurer une CFA

Générer une syntaxe de CFA à partir des résultats d’EFA

Créer une syntaxe de CFA à partir de la théorie

Comprendre la syntaxe de sem()

Éléments de la syntaxe de sem()

Lancer une CFA et interpréter les saturations

Examiner les saturations des items

Examiner l’adéquation du modèle

Statistiques d’ajustement absolu

Statistiques d’ajustement relatives

Analyse factorielle confirmatoire

Ce chapitre renforcera la différence entre les AFE et les AFC et proposera des pistes pour améliorer votre modèle et/ou votre instrument.

Retour sur EFA vs. CFA

Différences dans les saturations factorielles estimées

Tracer les différences dans les scores factoriels des personnes

Ajouter des chargements pour améliorer l’ajustement

Ajouter des saturations factorielles pour améliorer l’ajustement

Comparer le modèle initial au modèle avec des chargements ajoutés

Évaluer les chargements ajoutés avec des statistiques d’ajustement relatives

Améliorer l’ajustement en supprimant des charges

Supprimer des chargements pour améliorer l’ajustement

Comparer le modèle initial au modèle avec charges supprimées

Évaluer les suppressions de saturations avec des indices d’ajustement relatifs

Vidéo de conclusion

Affiner votre instrument et/ou votre modèle

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

Psychometrician

Removing loadings to improve fit

What does it mean to remove a loading?

Removing a loading in the syntax

Running the revised CFA

Comparing the original and revised models

Let's practice!

Affiner votre instrument et/ou votre modèle - Améliorer l’ajustement en supprimant des charges

Améliorer l’ajustement en supprimant des charges

Create Your Free Account