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).

Spécification du modèle

Créer un modèle de vitesse de lecture

Construire un modèle de démocratie politique

Analyse du modèle

Analyser le modèle Text Speed

Résumer la démocratie politique

Évaluation du modèle

Examiner les charges standardisées

Explorer les indices d’ajustement

Examiner la démocratie politique

Modèles à un facteur

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).

Spécification multifactorielle

Créer un modèle à df nul

Corriger le modèle à df nul

Construire un modèle multi-facteurs

Résumer le modèle multifactoriel

Structure du modèle

Modèle à trois facteurs avec corrélation nulle

Créer un chemin direct

Indices de modification

Vérifier la variance du modèle

Examiner les indices de modification

Comparaison de modèles

Comparer deux modèles

Sélectionner des indices d’ajustement spécifiques

Modèles multifactoriels

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.

Cas de Heywood sur la variable latente

Analyser un cas de Heywood latent

Corriger le modèle Heywood latent

Cas de Heywood sur les variables manifestes

Analyser un cas de Heywood manifeste

Corriger le modèle Heywood manifeste

Créer des diagrammes avec semPaths()

Diagramme SEM de base

Modifier la disposition

Modifier les libellés

Résolution d’erreurs de modèle et diagrammes

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.

Modéliser l’échelle de QI WAIS-III

Créer un modèle à quatre facteurs

Mettre à jour le modèle

Diagrammer le modèle final

Mettre à jour le modèle WAIS-III

Ajouter des chemins pour améliorer l’ajustement

Comparer les modèles

Un modèle hiérarchique du QI

Créer un modèle hiérarchique

Créer le diagramme du modèle hiérarchique

Conclusion du cours

Exemple complet et extension

WAIS-III IQ Data for Hierarchical Model

Latent Variable Heywood Case Data

Negative Variance Heywood Case Data

Lorsque l’on travaille avec des données, on cherche souvent à créer des modèles pour prédire des événements futurs, mais on souhaite aussi comprendre plus en profondeur comment nos données sont reliées ou structurées. Dans ce cours, vous explorerez les liens au sein des données en utilisant la modélisation par équations structurelles (SEM) avec le langage R et le package lavaan. La SEM vous présentera les variables latentes et manifestes, la manière de créer des modèles de mesure, d’évaluer la précision de ces modèles et de corriger les modèles dont l’ajustement est insuffisant. Au fil du cours, vous étudierez des jeux de données classiques en SEM, tels que ceux de Holzinger et Swineford (1939) et de Bollen (1989). Vous réaliserez également une étude de cas avec un modèle multifactoriel à partir de l’échelle d’intelligence de Wechsler pour adultes. À l’issue de ce cours, vous serez en mesure d’examiner vos données en profondeur et de mieux comprendre comment elles s’articulent.

Intermediate Regression in R

Apprenez à créer et évaluer des modèles de mesure pour confirmer la structure d'une échelle ou d'un questionnaire.

Modélisation par équations structurelles avec lavaan en R

Apprenez à créer et à évaluer des modèles de mesure utilisés pour confirmer la structure d'une échelle ou d'un questionnaire.

Professor

Heywood Cases on the Manifest Variables

Why Negative Variances?

Negative Variance Example

Summarize to View Heywood Case

Investigate R-Square Output

Update the Model

New Updated Output

Negative Variance Example (5)

Let's practice!

Résolution d’erreurs de modèle et diagrammes - Cas de Heywood sur les variables manifestes

Cas de Heywood sur les variables manifestes

Create Your Free Account