Corriger le modèle Heywood latent

Dans l’exercice précédent, vous avez constaté que l’enquête 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 variable latente. Ensuite, analysez et résumez le modèle pour vérifier si la fusion de ces deux facteurs en un seul a résolu la corrélation problématique.

Cet exercice fait partie du cours

Modélisation par équations structurelles avec lavaan en R

Afficher le cours

Instructions

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 afficher l’ajustement final du modèle.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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

Cet exercice fait partie du cours

Modélisation par équations structurelles avec lavaan en R

AvancéNiveau de compétence

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous allez créer votre premier modèle par équations structurelles avec lavaan. Vous apprendrez la terminologie essentielle, comment construire et exécuter des modèles. Vous élaborerez un modèle à un facteur des aptitudes aux tests mentaux en utilisant le jeu de données classique de Holzinger et Swineford (1939).

Exercise 1: Spécification du modèle Exercise 2: Créer un modèle de vitesse de lecture Exercise 3: Construire un modèle de démocratie politique Exercise 4: Analyse du modèle Exercise 5: Analyser le modèle Text Speed Exercise 6: Résumer la démocratie politique Exercise 7: Évaluation du modèle Exercise 8: Examiner les charges standardisées Exercise 9: Explorer les indices d’ajustement Exercise 10: Examiner la démocratie politique

Dans ce chapitre, vous développerez vos compétences dans lavaan pour créer des modèles multifactoriels. Nous améliorerons les modèles à un facteur du chapitre précédent en créant plusieurs variables latentes dans le jeu de données classique de Holzinger et Swineford (1939).

Exercise 1: Spécification multifactorielle Exercise 2: Créer un modèle à df nul Exercise 3: Corriger le modèle à df nul Exercise 4: Construire un modèle multi-facteurs 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 spécifiques

Les modèles par équations structurelles ne s’exécutent pas toujours sans accroc ; dans ce chapitre, vous apprendrez à résoudre les cas de Heywood, des erreurs fréquentes. Vous verrez aussi comment représenter votre modèle en R à l’aide de 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 Heywood latent

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: Diagramme SEM de base Exercise 9: Modifier la disposition Exercise 10: Modifier les libellés

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 différents modèles du WAIS-III, résoudre les erreurs de ces modèles et générer 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 à jour le modèle Exercise 4: Diagrammer le 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