Qualité d'ajustement du modèle

Analyse factorielle avec R

Jennifer Brussow

Psychometrician

Ajustement absolu vs relatif

Les statistiques d'ajustement absolu ont une signification propre et des seuils suggérés.

Test du khi carré
Indice de Tucker-Lewis (TLI)
Erreur quadratique moyenne d'approximation (RMSEA)

Les statistiques d'ajustement relatif n'ont de sens qu'en comparant des modèles.

Critère d'information bayésien (BIC)

Statistiques d'ajustement absolu

Seuils d'usage courant :

Test du khi carré : résultat non significatif
Indice de Tucker-Lewis (TLI) : > 0,90
Erreur quadratique moyenne d'approximation (RMSEA) : < 0,05

Repérer les statistiques d'ajustement

# Run the EFA with six factors (as indicated by your scree plot)
EFA_model <- fa(bfi_EFA, nfactors = 6)

# View results from the model object
EFA_model

The total number of observations was  1400  
    with Likelihood Chi Square =  618.43  with prob <  1.2e-53

Tucker Lewis Index of factoring reliability =  0.916
RMSEA index =  0.045  and the 90 % confidence intervals are  0.041 0.048

BIC =  -576.87

Ajustement relatif du modèle

# Run each theorized EFA on your dataset
bfi_theory <- fa(bfi_EFA, nfactors = 5)
bfi_eigen <- fa(bfi_EFA, nfactors = 6)

# Compare the BIC values
bfi_theory$BIC
bfi_eigen$BIC

bfi_theory$BIC
bfi_eigen$BIC

-381.5326
-576.8658

En résumé : évaluer l'ajustement

Assurez-vous que votre modèle présente un bon ajustement absolu (khi carré, TLI, RMSEA)
Si vous comparez plusieurs modèles, utilisez les statistiques d'ajustement relatif (BIC)

Passons à la pratique !

Analyse factorielle avec R