Upload
rosemonde-girault
View
117
Download
8
Embed Size (px)
Citation preview
1
Analyse factorielle confirmatoire,Analyse factorielle confirmatoire,Modèle de causalité (Path analysis) et Modèle de causalité (Path analysis) et
Modélisation d’équations structurelles Modélisation d’équations structurelles sur variables latentessur variables latentes
Michel TenenhausMichel [email protected]@hec.fr
2
1
F1
x6 e61
x12 e121
x8 e81
x11 e111
x5 e51
x10 e101
x13 e131
x2 e21
1
F2
x4 e41
x14 e141
x7 e71
1
F3
x9 e9
x15 e15
x1 e1
1
1
1
1
F4 X3 e3.8 1
Analyse factorielle confirmatoire
ExempleKendall
3
Modèle de causalité (Path analysis, Equations simultanées)
e1
e2
Satisfaction
Commitment
Rewards
Costs
Investments
Alternatives
1
1
4
Modèle de relations structurelles sur variables latentes
5
Modélisation de relations de causalité
sur variables latentes
ECSI Path model for a“ Mobile phone provider”
Image
Perceivedvalue
CustomerExpectation
Perceivedquality
Loyalty
Customersatisfaction
Complaint
.493 (.000)
R2=.243
.545 (.000)
.066 (.314)
.037 (.406)
.153 (.006)
.212 (.002)
.540(.000)
.544 (.000)
.200 (.000)
.466(.000)
.540(.000)
.05 (.399)
R2=.297
R2=.335 R2=.672
R2=.432
R2=.292
ApprocheconfirmatoireReconstituerles covarianceset valider un modèle
Covariance-based SEM - AMOS (SPSS) - Proc CALIS (SAS)
ApprocheexploratoireEstimer les variableslatentes et estimer les équations derégression
Component-based SEM- PLS-Graph- XLSTAT-PLSPM - GSCA
6
I. Analyse Factorielle Confirmatoire
Les données de Long
(J. Scott Long : Confirmatory Factor Analysis, SAGE Publications, 1986)
- 603 chefs de famille de la région de Hennepin, Illinois
- PSY67 = Désordres psychologiques 1967 PHY67 = Désordres psycho-physiologiques 1967 PSY71 = Désordres psychologiques 1971 PHY71 = Désordres psycho-physiologiques 1971
7
Données
PSY67 PHY67 PSY71 PHY71 n 603 603 603 603 corr PSY67 1 . . . corr PHY67 0.454 1 . . corr PSY71 0.526 0.247 1 . corr PHY71 0.377 0.309 0.549 1 stddev 1.45 0.555 1.38 0.503
Les données sont les covariances entre les variables manifestes :
( , ) ( , )* ( ) * ( )i j i j i jCov X X Cor X X Var X Var X
8
Le 1er modèle spécifié par Long
XSI1
PSY67
D1
L11
1
PHY67
D2
L21
1
XSI2
PSY71
D3
L32
1
PHY71
D4
L42
1
phi12
theta13 theta24
Variablesmanifeste
Variableslatentes
Résidus
phi11 phi22
theta11 theta22 theta33 theta44
9
Étude du 1er modèle spécifié
Les 13 paramètres du modèle 11, 21, 12, 22
11 = Var(1) , 22 = Var(2) ,
12 = Cov(1, 2)
11 = Var(1) , 22 = Var(2) ,
33 = Var(3) , 44 = Var(4)
13 = Cov(1, 3) , 24 = Cov(2, 4)
Covariances sur la population PSY67 PHY67 PSY71 PSY71
PSY67PHY67PSY71PHY71
11
12
22
13
23
33
14
24
34
44
Matrice
Modèle identifiable
Les paramètres () du modèle peuvents’exprimer de manière unique enfonction de la matrice des covariancesvérifiant le modèle :
C.N. : Nb de paramètres q(q+1)/2.
1 2 1 2( ) ( )
Les équations factorielles PSY67 = 11 1 + 1
PHY67 = 21 1 + 2
PSY71 = 12 2 + 3
PHY71 = 22 2 + 4
avec ( ) 0i jE
10
Modèle identifiable
Espace des paramètresadmissibles
()
Espace de tous les possibles
Espace des () suivant le modèle
Si 1 2 , (1) (2)
11
Étude du 1er modèle spécifié
Les paramètres du modèle 11, 21, 12, 22
11 = Var(1) , 22 = Var(2) ,
12 = Cov(1, 2)
11 = Var(1) , 22 = Var(2) ,
33 = Var(3) , 44 = Var(4)
13 = Cov(1, 3) , 24 = Cov(2, 4)
Les équations factorielles
1 11 1
2 21 1 2
3 12 2 3
4 22 4
0
0
0
0
x
xx
x
x
11 12
21 22
( ')E
11 13
22 24
13 33
24 44
0 0
0 0( ')
0 0
0 0
E
( ') ( )( ) '
( ') ' ( ')
'
E xx E
E E
Décomposition de la covariance
12
2e modèle de Long (identifiable)
Normalisation des variables latentes
Var(1) = 11 = 1 , Var(2) = 22 = 1
Stabilité des saturations au cours du temps
PSY67,1 = PSY71,2
PHY67,1 = PHY71,2
Indépendance entre les résidus
13 = Cov(1, 3) = 0
24 = Cov(2, 4) = 0
13
Le 2e modèle (identifiable) spécifié par Long
Le nombre de paramètres (7) est inférieur au nombres devariances et covariances (10) : Nombre de degrés de liberté = 3.
1
XSI1
PSY67
theta11
D1
L11
1
PHY67
theta22
D2
L21
1
1
XSI2
PSY71
theta33
D3
L11
1
PHY71
theta44
D4
L21
1
phi12
14
Étude du 2e modèle spécifié
Les paramètres du modèle 11, 21
12 = Cov(1, 2)
11 = Var(1) , 22 = Var(2) ,
33 = Var(3) , 44 = Var(4)
Les équations factorielles
1 11 1
2 21 1 2
3 11 2 3
4 21 4
0
0
0
0
x
xx
x
x
12
12
1( ')
1E
11
22
33
44
0 0 0
0 0 0( ')
0 0 0
0 0 0
E
( ') ( )( ) '
( ') ' ( ')
'
E xx E
E E
Décomposition de la covariance
15
Calcul de la matrice des covariances théoriques (modèle 2)
Les équations factorielles PSY67 = 1 1 + 1
PHY67 = 2 1 + 2
PSY71 = 1 2 + 3
PHY71 = 2 2 + 4
Les covariances
PSY67 PHY67 PSY71 PSY71PSY67PHY67PSY71PHY71
11
12
22
13
23
33
14
24
34
44
Les 7 paramètres du modèle 1, 2, Var(h) = 1, 12 = Cov(1, 2), i = Var(i)
2 211 12 13 14 11 1 2 12 1 12 1 2
2 222 23 24 22 12 1 2 12 2
233 34 31 1 2
244 42
0 0 0
0 0
0
Modèle identifiable : les paramètress’expriment de manière uniqueen fonction des covariances.C.S.: 1 bloc 3 VM 2 blocs et + 2 VM par bloc
16
Estimation et validation du modèle
Notations
- q = Nombre de variables manifestes- n = Nombre d’observations (règle courante : n > 10*(nb de paramètres))- = Matrice des covariances au niveau de la population- S = Matrice des covariances observées- C = Matrice des covariances calculées à l’aide du modèle
Maximum de vraisemblance
En supposant les données multinormales le maximum de vraisemblance
conduit à rechercher les paramètres du modèle minimisant la fonction
F(S,C) = Trace(SC-1) - q + Ln(det C) - Ln(det S) FMIN
Tests de validation du modèle
- Si le modèle étudié est exact : Chi-Square = CMIN = (n-1)FMIN 2(dlM)- dlM = Nb de covariances - Nb de paramètres du modèle M- Modèle accepté si p-value 0.05 ou bien si Chi-Square/dlM 2 à 5- Modèle accepté si RMSEA 0.05 , toléré jusqu’à 0.08
Augmente avec n !!!
Dépend très peu de n
17
Estimation du modèle
Espace des paramètresadmissibles
()
Espace de tous les possibles
Espace des () suivant le modèle
S
C2 = CMIN=(n-1)FMIN
18
Résultats des estimations des paramètres avec AMOS
Modèle 2 de LONG
Chi-Square = 22.574DF = 3
P-Value = .000Chi-Square/df = 7.525
1.00
XSI1
PSY67
.52
D1
1.24
1
PHY67
.22
D2
.30
1
1.00
XSI2
PSY71
.40
D3
1.24
1
PHY71
.16
D4
.30
1
.67
RMSEA = .104 p-value = .010
2 2
2 2
2
2
.52 0 0 01.24 1.24*.30 .67*1.24 .67*1.24*.30
.22 0 0.30 .67*1.24*.30 .67*.30
.40 01.24 1.24*.30
.16.30
C
19
Matrice des covariances et des corrélations observées et reconstituées à
l’aide du modèle 2
Exemple : Var(PHY71) = Var(.30XSI2 + D4) = .302Var(XSI2) + Var(D4) = .302 + .16 = .25 .247
20
Ecart dû à l’approximation de la réalité par le modèle
Soit la matrice des covariances calculée au
niveau de la population et C0 la matrices des
covariances calculées à l’aide du modèle
minimisant la fonctionF(,C0) = Trace(C0-1) - q + Ln(det C0) - Ln(det )
FMIN0
Si le modèle est exact, FMIN0 = 0.
21
Ecart dû à l’approximation de la réalité par le modèle
Espace des paramètresadmissibles
()
Espace de tous les possibles
Espace des () suivant le modèle
population
C
FMIN
SC0
FMIN0
22
Loi du khi-deux non centrée
'2( )E p
23
Loi générale de CMIN = (n-1)FMIN(Le modèle étudiée n’est pas nécessairement le bon)
CMIN suit une loi du khi-deux non centrée à dlM degrés
de liberté et de paramètre de non centralité =(n-
1)FMIN0.
Estimation de = (n-1)FMIN0
ˆ ( ,0) estimation de MMax CMIN dl
( ) ME CMIN dl
Estimation de FMIN0
0
ˆ
1FMIN
n
Favorise les modèles avec beaucoup de paramètres (CMIN et dlM petits)
24
Validation du modèle à l’aide du RMSEA (Root Mean Square Error of Approximation)
Le RMSEA mesure la « distance » entre la
matrice des
covariances calculées C0 à l’aide du modèle M
et
la matrice des covariances sur la population :0
M
FMINRMSEA
dl
FMIN0 = Trace(C0-1) - q + Ln(det C0) - Ln(det )où
- Ne dépend pas de n.- Corrigé pour le nombre de paramètres.
25
Utilisation pratique du RMSEA
Le RMSEA est estimé
par
0
estiméM
FMINRMSEA
dl
Le modèle est accepté si le RMSEA estimé est inférieur
à 0.05 ou, à la limite, à 0.08.
26
RMSEA
Espace des paramètresadmissibles
()
Espace de tous les possibles
Espace des () suivant le modèle
population
C
FMIN
SC0
FMIN0
0
M
FMINRMSEA
dl
0
estiméM
FMINRMSEA
dl
27
Utilisation pratique du RMSEA
Les programmes fournissent :
- Intervalle de confiance à 90% du
RMSEA
- Niveau de signification du test
H0 : RMSEA 0.05
Le test sur le Khi-deux est très exigeant
puisqu’il correspond en fait au test
H0 : RMSEA = 0
28
Utilisation de la Proc CALIS
data long1 (type=corr); input _type_ $ _name_ $ v1-v4 ; label v1 ='PSY67' v2 ='PHY67' v3 ='PSY71' v4 ='PHY71';cards;N . 603 603 603 603STD . 1.45 0.555 1.38 0.503CORR V1 1.000 . . .CORR V2 .454 1 . .CORR V3 0.526 0.247 1.000 .CORR V4 0.377 0.309 0.549 1.000;
29
Utilisation de la Proc CALIS
proc calis covariance corr residual modification ; lineqs v1 = L11 f1 + d1, v2 = L21 f1 + d2, v3 = L11 f2 + d3, v4 = L21 f2 + d4; std d1 = theta1, d2 = theta2, d3 = theta3, d4 = theta4, f1 = 1, f2 = 1; cov f1 f2 = phi12;var v1-v4;run;
30
Résultat de la Proc CALIS pour le modèle 2
RMSEA Estimate 0.1041RMSEA 90% Lower Confidence Limit 0.0667RMSEA 90% Upper Confidence Limit 0.1462
Résultat de AMOS pour le modèle 3
RMSEA LO 90 HI 90 PCLOSE---------- ---------- ---------- ---------- 0.104 0.067 0.146 0.010
L’hypothèse H0 : RMSEA 0.05 est rejetée puisque :
(1) l’intervalle de confiance du RMSEA est au-dessus de
0.05,
(2) Niveau de signification du test = 0.0108 = « Proba. (H0
vraie) »
Le modèle 2 n’est pas accepté.
Conclusion
31
Le modèle saturé :Ce modèle contient autant de paramètres que de données : [q(q+1)/2].
Ce modèle présente 0 degré de liberté.
[Il reconstitue parfaitement la matrice des covariances : FMIN=0]
Le modèle correspondant à l’indépendance entre les VM :Toutes les variables manifestes sont indépendantes entre elles. Les seuls paramètres à estimer sont les variances des VM.
Ce modèle présente le nombre maximum de degrés de liberté.
[C’est le modèle avec le plus de contraintes possibles]
Deux modèles extrêmes
32
Indices de Validation basés sur la comparaison au modèle de l’indépendance :
Bentler Comparative Fit Index (CFI)
CFI compare le modèle étudié au modèle correspondant au cas de l’indépendence entre les variables manifestes :
( ,0)1
( ,0)M M
IND IND
Max CMIN dlCFI
Max CMIN dl
Le modèle est accepté si CFI 0.9
33
Bentler-Bonnet Non-Normed Fit Index (NNFI)équivalent au Tucker-Lewis Index (TLI)
11
IND M
IND M
IND
IND
F F
dl dlNNFI TLI
F
dl n
Le modèle est accepté si :NNFI 0.9 ou même 0.95
34
Goodness-of-Fit Index (GFI)Adjusted Goodness-of-Fit Index (AGFI)
Le modèle est accepté si :
GFI et AGFI 0.9
1 M
IND
FGFI
F
1 1 IND
M
dlAGFI GFI
dl
35
Root Mean Square Residual (RMR)
2
1 1
2ˆ( )
( 1)
q j i
ij iji j
RMR sq q
Standardized RMR
2
1 1
2ˆStandardized RMR ( )
( 1)
q j i
ij iji j
r rq q
à comparer à .10.
36
Akaike Information Criterion (AIC) calculé dans AMOS
2 2(Nb de paramètres du modèle)MAIC
ECVI
1( )ECVI AIC
n
37
Amélioration du modèleUtilisation des indices de modification
Les indices de modification mesurent la diminution du khi-deuxobtenue en ajoutant une flèche (simple ou double) sur leschéma fléché.
Rank Order of the 5 Largest Modification Indices
Row Column Chi-Square Pr > ChiSq
d3 d2 20.02924 <.0001 d3 d1 16.39279 <.0001 d4 d2 16.39132 <.0001
SAS
AMOS Modification IndicesCovariances: M.I. Par Change
D2 <=> D4 15.091 0.033D2 <=> D3 14.297 -0.081
38
3e modèle : Utilisation de la Proc CALIS
proc calis covariance corr residual modification outstat = a; lineqs v1 = L11 f1 + d1, v2 = L21 f1 + d2, v3 = L11 f2 + d3, v4 = L21 f2 + d4; std d1 = theta1, d2 = theta2, d3 = theta3, d4 = theta4, f1 = 1, f2 = 1; cov f1 f2 = phi12, d2 d4 = theta24;var v1-v4;run;
39
Résultats du 3e modèle visualisés avec AMOS
Coefficients standardisés
(écart-type = .047)
40
Estimation des variables latentes
Résultat de l’option OUTSTAT de la Proc CALIS
_NAME_ v1 v2 v3 v4
f1 0.529 0.215 0.109 -0.005 f2 0.072 -0.005 0.586 0.221
Chaque variable latente est estimée par régressionmultiple de la variable latente théorique sur toutesles variables manifestes centrées :
- XSI1 = 0.529*PSY67 + 0.215*PHY67 + 0.109*PSY71 - 0.005*PHY71
- XSI2 = 0.072*PSY67 - 0.005*PHY67 + 0.586*PSY71 + 0.221*PHY71
41
II. Analyse factorielle confirmatoiredu second ordre (analyse de tableaux multiples)
Facteursdu 1er ordre
Facteurdu 2e ordre
42
Résultats visualisés avec AMOS (Coefficients non standardisés)
43
Résultats visualisés avec AMOS (Coefficients standardisés)
44
Estimation des variables latentes
- XSI1 = 0.365*PSY67 + 0.559*PHY67 + 0.272*PSY71 + 0.138*PHY71
- XSI2 = 0.090*PSY67 + 0.413*PHY67 + 0.556*PSY71 + 0.439*PHY71
- XSI = 0.220*PSY67 + 0.439*PHY67 + 0.344*PSY71 + 0.232*PHY71
On peut aussi estimer chaque facteur du premier ordre comme
combinaison linéaire de ses variables manifestes :
- en prenant le fragment du facteur de 2e ordre XSI correspondant
à chaque bloc (style AFM),
- par régression du facteur du second ordre XSI sur chaque bloc
(style ACG ou Mode B de l’approche PLS),
- par régression PLS de XSI sur chaque bloc (chaque variable
manifeste est pondérée par sa covariance avec XSI).
45
III. Autres méthodes d’estimation
Generalized Least Squares (GLS) *
Fonction minimisée : F = 0.5*||I - S-1C||2
Asymptotically distribution-free (ADF) *
Fonction minimisée :
ijkl ij ij kl klijkl
F u (s c )(s c )
‘ Scale free ’ Least Squares (SLS)
Fonction minimisée : F = 0.5*||{diag(S)}-1(S - C)||2
* Chi-Square = (n-1)F 2(ddl) si le modèle étudié est exact.
Unweighted Least Squares (ULS)
Fonction minimisée : F = 0.5*||S – C||2
46
IV. Les modèles de causalité (Path models)
X1
X2
Y1
Y2
D1
D2
1
1
Modèle récursif
X1
X2
Y1
Y2
D1
D2
1
1
Modèle non récursif
- Erreurs non corrélées- Pas de boucles
Récursif vs non récursif
47
Modèles de causalité (Path models)
X1
X2
Y1
Y2
D1
D2
1
1
Modèle partiellement récursif
X1
X2
Y1
Y2
D1
D2
1
1
Modèle non récursif
- Bow-Free pattern- Considéré comme récursif
- Bow pattern- Considéré comme non récursif
Récursif vs non récursif
48
Modèles identifiables
• Les modèles récursifs sont identifiables.
• Les conditions pour qu’un modèle non récursif soit identifiable sont complexes : voir Kline chapitre 9.
49
Un exemple de modèle de causalité
Variables observées sur 240 individus :
- Commitment- Satisfaction- Rewards- Costs- Investment size- Alternative value
Engagement sentimental d’une personne avec son
partenaire
- C. E. Rusbult : Commitment and satisfaction in romantic associations: A test of the investment model. Journal of Experimental Social Psychology, 1980- L. Hatcher : A step-by-step approach to using the SAS system for factor analysis and structural equation modeling. SAS Institute, 1994
50
Description des variables
• Commitment : the subject’s intention to maintain a current romantic relationship
• Satisfaction : the subject’s emotional response to the current relationship
• Investment size : the amount of time and effort that the subject has put into the current relationship
• Alternative value : perceived attractiveness of the subject’s alternatives to the current relationship
• Rewards : the subject’s perceptions of the number of good things associated with the current relationship
• Costs : the subject’s perceptions of the number of bad things associated with the current relationship
51
Le modèle
e1
e2
Satisfaction
Commitment
Rewards
Costs
Investments
Alternatives
1
1
52
Les données
rowtype_ varname_ Commitment Satisfaction Rewards Costs Investments Alternatives n 240 240 240 240 240 240 corr Commitment 1 . . . . . corr Satisfaction 0.6742 1 . . . . corr Rewards 0.5501 0.6721 1 . . . corr Costs -0.3499 -0.5717 -0.44051 1 . . corr Investments 0.6444 0.5234 0.5346 -0.1854 1 . corr alternatives -0.6929 -0.4952 -0.4061 0.3525 -0.3934 1 stddev 2.3192 1.7744 1.2525 1.4086 1.5575 1.8701
53
Résultats (non standardisés)
1.62
e1
1.43
e2
Chi-square = 37.389DF = 4
p-value = .000Chi-square/DF = 9.347
RMSEA = .187p-value (RSMEA) = .000
Satisfaction
Commitment
1.57
Rewards
1.98
Costs
2.43
Investments
3.50
Alternatives
.39
.74
-.43
.48
-.52
1
1
-.78
1.04
-.95
-.41
.93
-1.15
54
Résultats (standardisés)
e1
e2
Chi-square = 37.389DF = 4
p-value = .000Chi-square/DF = 9.347
RMSEA = .187p-value (RSMEA) = .000
.55
Satisfaction
.67
Commitment
Rewards
Costs
Investments
Alternatives
.31
.52
-.34
.34
-.43
-.44
.53
-.41
-.19
.35
-.39
R2=
R2=
55
RésultatsRegression Weights:
Estimate S.E. C.R. P
Satisfaction <--- Rewards 0.739 0.069 10.741 ***
Satisfaction <--- Costs -0.431 0.061 -7.044 ***
Commitment <--- Satisfaction 0.389 0.051 7.67 ***
Commitment <--- Investments 0.483 0.059 8.149 ***
Commitment <--- Alternatives -0.518 0.049 -10.545 ***
Regression Weights:
M.I. Par
Change Satisfaction <--- Alternatives 13.851 -0.154 Satisfaction <--- Investments 17.146 0.206
56
Modèle révisé 1
1.62
e1
1.28
e2
Chi-square = 11.748DF = 3
p-value = .008Chi-square/DF = 3.916
RMSEA = .110p-value (RSMEA) = .052
Satisfaction
Commitment
1.57
Rewards
1.98
Costs
2.43
Investments
3.50
Alternatives
.39
.54
-.45
.48
-.52
1
1
-.78
1.04
-.95
-.41
.93
-1.15
.29
57
Résultats pour le modèle 1Regression Weights:
Estimate S.E. C.R. P Satisfaction <--- Rewards .536 .076 7.054 *** Satisfaction <--- Costs -.451 .058 -7.760 *** Satisfaction <--- Investments .290 .056 5.203 *** Commitment <--- Satisfaction .389 .056 6.966 *** Commitment <--- Investments .483 .064 7.546 *** Commitment <--- Alternatives -.518 .049 -10.562 ***
Regression Weights:
M.I. Par Change Satisfaction <--- Alternatives 7.713 -.109
58
Modèle révisé 2
1.62
e1
1.23
e2
Chi-square = 1.123DF = 2
p-value = .570Chi-square/DF = .562
RMSEA = .000p-value (RSMEA) = .726
Satisfaction
Commitment
1.57
Rewards
1.98
Costs
2.43
Investments
3.50
Alternatives
.39
.50
-.41
.48
-.52
1
1
-.78
1.04
-.95
-.41
.93
-1.15
.24
-.15
59
Résultats modèle 2Regression Weights:
Estimate S.E. C.R. P Satisfaction <--- Rewards .500 .075 6.663 *** Satisfaction <--- Costs -.406 .058 -6.946 *** Satisfaction <--- Investments .244 .056 4.334 *** Satisfaction <--- Alternatives -.146 .044 -3.296 *** Commitment <--- Satisfaction .389 .059 6.640 *** Commitment <--- Investments .483 .063 7.658 *** Commitment <--- Alternatives -.518 .051 -10.067 ***
Residual Covariances
Alternatives Investments Costs Rewards Satisfaction Commitment Alternatives .000
Investments .000 .000
Costs .000 .000 .000
Rewards .000 .000 .000 .000
Satisfaction .000 .000 .000 .000 .000
Commitment .000 .000 .090 .021 .000 .000
60
Modèle révisé 2 : résultats standardisés
e1
e2
Chi-square = 1.123DF = 2
p-value = .570Chi-square/DF = .562
RMSEA = .000p-value (RSMEA) = .726
R2 =.61
Satisfaction
R2 = .70
Commitment
Rewards
Costs
Investments
Alternatives
.30
.35
-.32
.32
-.42
-.44
.53
-.41
-.19
.35
-.39
.21 -.15
61
Exemple Illness (Kline)
Variable Exercice Hardiness Fitness Stress Illness Exercice 1.00 Hardiness -.03 1.00 Fitness .39 .07 1.00 Stress -.05 -.23 -.13 1.00 Illness -.08 -.16 -.29 .34 1.00 M 40.90 0.00 67.10 4.80 716.70 Original SD 66.50 3.80 18.40 6.70 624.80 Constant 1.00 10 4 10.00 .10 New SD 66.50 38.00 36.80 67.00 62.48
Corrélations et écarts-types, n = 373
Problème avec les écarts-types !
62
Le modèle de Roth
Exercice
Hardiness
Fitness
Stress
D11
Illness
D21
D3
1
Modèle de Roth en trait continu.Vérifier que les autres liaisons sont non significatives.
63
Utilisation de AMOS sur le modèle saturé
4410.39
Exercice
Fitness
Illness
1440.13
HardinessStress
1136.16
e1
3178.98
e2
4181.00
e3
.22
-.44
-.39.27
1
1
1
-75.61
.03
-.01
.08
-.12
-.20
Résultats non standardisés
64
Résultats standardisés
Exercice
Fitness
Illness
HardinessStress
e1
e2
e3
.39-.26
-.22
.29
-.03
.03
-.01
.08
-.07
-.11
65
Résultats modèle saturé
Regression Weights:
Estimate S.E. C.R. P
Fitness <--- Exercice .217 .026 8.249 ***
Fitness <--- Hardiness .079 .046 1.719 .086
Stress <--- Hardiness -.393 .089 -4.427 ***
Stress <--- Exercice -.014 .055 -.261 .794
Stress <--- Fitness -.198 .099 -1.993 .046
Illness <--- Fitness -.442 .087 -5.067 ***
Illness <--- Stress .271 .045 6.000 ***
Illness <--- Exercice .032 .048 .663 .507
Illness <--- Hardiness -.121 .079 -1.530 .126
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 15 .000 0
Saturated model 15 .000 0
Independence model 5 165.499 10 .000 16.550
Covariances
Estimate S.E. C.R. P
Exercice <--> Hardiness -75.607 130.726 -.578 .563
Variances:
Estimate S.E. C.R. P
Exercice 4410.394 323.386 13.638 ***
Hardiness 1440.129 105.595 13.638 ***
e1 1136.158 83.307 13.638 ***
e3 4181.001 306.566 13.638 ***
e2 3178.984 233.094 13.638 ***
66
Effet direct, indirect et totalDirect Effects
Hardiness Exercice Fitness Stress
Fitness .079 .217 .000 .000
Stress -.393 -.014 -.198 .000
Illness -.121 .032 -.442 .271
Indirect Effects
Hardiness Exercice Fitness Stress
Fitness .000 .000 .000 .000
Stress -.016 -.043 .000 .000
Illness -.146 -.112 -.054 .000
Total Effects
Hardiness Exercice Fitness Stress
Fitness .079 .217 .000 .000
Stress -.409 -.057 -.198 .000
Illness -.267 -.080 -.496 .271
Pas d’effet direct deExercice sur Illness
Mais peut-être un effet indirect
67
Exemple : effets de Exercice sur Illness
Illness = .032*Exercice -.442*Fitness + .271*Stress -.121*Hardiness
Fitness = .217*Exercice +.079*Hardiness
Stress = -.198*Fitness -.014*Exercice -.393*Hardiness = -.198*(.217*Exercice) -.014*Exercice -.393*Hardiness = -.057*Exercice -.393*Hardiness
Illness =.032*Exercice -.442*(.217*Exercice + .079*Hardiness) +.271*(-.057*Exercice - .393*Hardiness) -.121*Hardiness
= .032*Exercice -.096*Exercice - .015*Exercice - .267*Hardiness
= .032*Exercice -.112*Exercice -.267*Hardiness
= -.080*Exercice - .267*Hardiness
Effetdirect
Effet indirectEffet total
68
Utilisation du Bootstrap sur des données individuelles
et sur des données résumées par leurs moyennes
et leur matrice de variances/covariances
Les paramètres du modèle peuvent être validés en utilisant le Bootstrap :
- Sur des données individuelles sans hypothèse de loi de probabilité
- Sur des données résumées par leurs moyennes et leur matrice de variances/covariances en supposant des distributions multinormales avec les moyennes et variances/covariances observées sur les données étudiées.
AMOS génère N vecteurs des moyennes et N matrices de
variances/covariances : parametric bootstrap.
69
Résultats du parametric bootstrap
70
V. Modélisation de relations de causalité
sur variables latentes (SEM)
Des blocs de variables manifestes sont observées sur 240 individus pour décrire les variables latentes suivantes :
- Commitment- Satisfaction- Rewards- Costs- Investment size- Alternative value
Engagement sentimental d’une personne avec son
partenaire
71
Exemple de blocs
Investment Size
Please rate each of the following items to indicate the extent to whichyou agree or disagree with each statement. Use a response scale inwhich 1 = Strongly Disagree and 7 = Strongly Agree.
1. I have invested a great deal of time in my current relationship.
2. I have invested a great deal of energy in my current relationship.
3. I have invested a lot of my personal resources (e.g., money) in
developing my current relationship.
4. My partner and I have developed a lot of mutual friends which
I might lose if we were to break up.
72
Exemple de blocs
Satisfaction
1. I am satisfied with my current relationship.
2. My current relationship comes close to my ideal relationship.
3. I am more satisfied with my relationship than is the average
person.
4. I feel good about my current relationship.
73
Exemple de blocs
Alternative value
1. There are plenty of other attractive people around for me
to date if I were to break up with my current partner.
2. It would be attractive for me to break up with my current
partner and date someone else.
3. It would be attractive for me to break up with my partner and
“play the field” for a while.
74
1
Commitment
v1
e1
1
v2
e2
1
v3
e3
1
v4
e4
1
1
Rewards
v8
e81
v9
e9
v10
e10
1
1
Satisfaction
v5
e51
v6
e6
v7
e7
1
Costs
v11
e111
v12
e121
v13
e131
1
1
Investments
v14
e141
v15
e15
v16
e161
1
Alternatives
v17
e17
1
v18
e18
1
v19
e19
1
1
1
1
Validation del’outil de mesurepar Analyse Factorielle Confirmatoire
Variances desvariables latentesfixées à 1
75
Validation de l’uni-dimensionalité d’un bloc
Validité convergente
La corrélation entre chaque variable manifeste etsa variable latente doit être supérieure à 0.7 envaleur absolue
76
Validation de l’uni-dimensionalité d’un bloc
j j j
2j j j
X
et
Var(X ) Var( ) Var( )
AVE (Average Variance Explained)
De
et Var() = 1, on déduit :
2j
j
AVEVar(X )
Règle : AVE > 50%
77
Validation de l’uni-dimensionalité d’un bloc
j j j
j j j
X
et
X
Indice de concordance (Composite Reliability)
De
et Var() = 1, on déduit :
2 2j j
2j j j
( ) ( )IC
Var( X ) ( ) Var( )
Pour interpréter cet indice, il faut supposer tous les j > 0.
Règle : IC > .70
78
Regression Weights: (Group number 1 - Default model)
M.I. Par Changev19 <--- v9 5.951 -0.193v18 <--- v9 5.25 0.16v15 <--- v5 4.518 0.122v7 <--- v8 4.142 -0.111v5 <--- v15 4.196 0.073v4 <--- Alternatives 20.085 -0.594v4 <--- v19 21.903 -0.252v4 <--- v18 10.06 -0.19v4 <--- v17 13.68 -0.218v4 <--- v7 7.975 0.162v3 <--- v19 5.217 0.086v2 <--- Investments 5.245 -0.276v2 <--- Costs 4.052 0.242v2 <--- Satisfaction 9.958 -0.367v2 <--- v17 5.096 0.125v2 <--- v15 6.346 -0.126v2 <--- v14 5.791 -0.127v2 <--- v6 6.763 -0.136v2 <--- v7 12.653 -0.192v2 <--- v5 6.699 -0.149v1 <--- Satisfaction 4.568 0.195v1 <--- v6 9.168 0.125v1 <--- v10 5.901 0.123
Variables manifestes mono-factorielles
79
Validité discriminante
1) Une variable manifeste doit être plus corrélée à sapropre variable latente qu’aux autres variables latentes
2) Chaque variable latente doit mieux expliquer ses propres variables manifestes que chaque autre variable latente :
2( ) ( , ) pour h h kAVE Cor k h
80
Commitment
v1
e11
v2
e21
v3
e31
Rewards
v8
e8
1
v9
e9
v10
e10
1
Satisfaction
v5
e51
v6
e6
v7
e7
Costs
v11
e11
v12
e12
v13
e131
Investments
v14
e141
v15
e15
v16
e161
Alternatives
v17
e17
v18
e18
1 v19
e19
1
1
1
d1
d2
1
1
1 1
1
1
1 11
1
1
1
1
F1
F3
F2F4
F5
F6
Le modèle de RusbultModèle identifiable:- Modèle de mesure identifiable- Modèle de causalité au niveau des variables latentes
identifiableVariances desvariables latentesà estimer.Pour chaque VL, une VM a un coefficientde régression fixé à 1.
81
Estimation du modèle de Rusbult Utilisation de la Proc CALIS
proc calis covariance corr residual modification ; lineqs v1 = lv1f1 f1 + e1, v2 = lv2f1 f1 + e2, v3 = 1 f1 + e3, . . v17 = lv17f6 f6 + e17, v18 = 1 f6 + e18, v19 = lv19f6 f6 + e19, f1 = pf1f2 f2 + pf1f5 f5 + pf1f6 f6 + d1, f2 = pf2f3 f3 + pf2f4 f4 + d2; std e1-e3 = vare1-vare3, e5-e19 = vare5-vare19, f3-f6 = varf3-varf6, d1-d2 = vard1-vard2; cov f3 f4 = covf3f4, f3 f5 = covf3f5, f3 f6 = covf3f6, f4 f5 = covf4f5, f4 f6 = covf4f6, f5 f6 = covf5f6;var v1 v2 v3 v5-v19;run;
Indétermination levée enfixant à 1 un coefficient derégression d’une variablemanifeste par bloc
Les variances de F1 et F2 dépendent des autresparamètres du modèle.
82
Estimation du modèle : résultats standardisés
.53
Commitment
.77
v1
e1
.67
v2
e2
.87
v3
e3
Rewards
.41
v8
e8
.38
v9
e9
.47
v10
e10
.45
Satisfaction
.68
v5
e5
.82
.76
v6
e6
.77
v7
e7
Costs
.67
v11
e11
.82
.76
v12
e12
.21
v13
e13
Investments
.74
v14
e14
.48
v15
e15.30
v16
e16
.87
Alternatives
.46
v17
e17
.68
.57
v18
e18
.53
v19
e19
-.10
.01
-.30
.64
.26
.64
.33
.55
.06
d1
d2
.88
.69
.64
-.16
.88
.86
.62
.87.46
-.47
.69
.76 .73
.93.82
.55
F1F2
F3
F4
F5
F6
Chi-square = 216.75DF = 124p-value = .000Chi-square/DF = 1.748RMSEA = .056p-value = .208
83
Estimation des équations structurelles
Les équations structurelles non standardisées
Latent Variable Equations with Estimates
f1 = 0.4608*f2 + 0.7580*f5 + 0.1000*f6 Std Err 0.0910 pf1f2 0.1037 pf1f5 0.1094 pf1f6 t Value 5.0618 7.3127 0.9136
+ 1.0000 d1
f2 = 0.9737*f3 + -0.1213*f4 + 1.0000 d2 Std Err 0.1321 pf2f3 0.0510 pf2f4 t Value 7.3690 -2.3777
Non significatif
L’engagement (F1) ne dépend pas significativement desalternatives (F6).
84
Estimation des équations structurelles
Les équations structurelles standardisées
Latent Variable Equations with Standardized Estimates
f1 = 0.3321*f2 + 0.5483*f5 + 0.0596*f6 + 0.6847 d1 pf1f2 pf1f5 pf1f6
f2 = 0.6395*f3 + -0.1578*f4 + 0.7393 d2 pf2f3 pf2f4
85
Estimation du modèle 2
.53
Commitment
.77
v1
e1
.67
v2
e2
.87
v3
e3
Rewards
.41
v8
e8
.38
v9
e9
.47
v10
e10
.45
Satisfaction
.68
v5
e5
.82
.76
v6
e6
.77
v7
e7
Costs
.67
v11
e11
.82
.76
v12
e12
.21
v13
e13
Investments
.74
v14
e14
.47
v15
e15.30
v16
e16
.87
Alternatives
.46
v17
e17
.68
.58
v18
e18
.54
v19
e19
-.10
.01
-.29
.64
.25
.64
.31
.54d1
d2
.88
.69
.64
-.16
.88
.86
.62
.87.46
-.47
.69
.76 .73
.94.82
.55
Chi-square = 217.573DF = 125p-value = .000Chi-square/DF = 1.745RMSEA = .056p-value = .218
F1F2
F3
F4
F5
F6
86
Utilisation des indices de modification pour rechercher de nouveaux liens de causalité entre
les variables latentes
Rank Order of the 5 Largest Modification Indices
(dépendante) (indépendante) Row Column Chi-Square Pr > ChiSq
f2 <===== f5 34.34669 <.0001 v2 f5 7.97159 0.0048 v1 f3 7.65396 0.0057 v10 f5 5.64619 0.0175 v18 f3 4.69157 0.0303
La satisfaction dépend aussi des investissementsdans la relation.
87
Estimation du modèle 3
.55
Commitment
.78
v1
e1
.68
v2
e2
.88
v3
e3
Rewards
.44
v8
e8
.41
v9
e9
.56
v10
e10
.51
Satisfaction
.68
v5
e5
.83
.75
v6
e6
.77
v7
e7
Costs
.67
v11
e11
.82
.75
v12
e12
.22
v13
e13
Investments
.71
v14
e14
.50
v15
e15.30
v16
e16
.87
Alternatives
.46
v17
e17
.68
.58
v18
e18
.53
v19
e19
-.09
.02
-.30
.52
.26
.26
.25
.56d1
d2
.88
.71
.66
-.21
.87
.84
.64
.87.46
-.43
.75
.76 .73
.94.82
.55
.51
Chi-square = 183.191DF = 124p-value = .000Chi-square/DF = 1.472RMSEA = .045p-value = .731
Tous les indices demodification entrevariables latentessont maintenantinférieurs à 4
88
Utilisation du Bootstrap pour testerles paramètres du modèles
.
Image
Perceivedvalue
CustomerExpectation
Perceivedquality
Loyalty
Customersatisfaction
Complaints
Modèle de causalité décrivant les causes et les conséquencesde la satisfaction client
Modèle complet en bleu et rouge,modèle simplifié en rouge
89
a) Expectations for the overall quality of“your mobil phone provider” at themoment you became customerof this provider.
b) Expectations for “your mobile phoneprovider” to provide products andservices to meet your personal need.
c) How often did you expect that thingscould go wrong at “your mobile phoneprovider” ?
L’outil de mesure pour l’industrie de la téléphonie mobile : Exemples de variables latentes et manifestes
Customer expectation Customer satisfaction
a) Overall satisfaction
b) Fulfilment of expectations
c) How well do you think “ your mobile phone provider” compares with your ideal mobil phone provider ?
90
L’outil de mesure pour l’industrie de la téléphonie mobile : Exemples de variables latentes et manifestes
Customer loyaltya) If you would need to choose a new mobile phone provider how likely is it that you would choose “your provider” again ?
b) Let us now suppose that other mobile phone providers decide to lower fees and prices, but “your mobile phone provider” stays at the same level as today. At which level of difference (in %) would you choose another phone provider ?
c) If a friend or colleague asks you for advice, how likely is it that you would recommend “your mobile phone provider” ?
Et ainsi de suite pour les autres variables latentes ...
91
Étude du modèlecomplet avec AMOS
CUST_EXP
CE1
e1
1
1
CE2
e2
1
CE3
e3
1
PER_QUALI
PQ1
e4
1
1
PQ2
e51
PQ3
e61
PQ4
e7
1
PQ5
e8
1
PQ6
e9
1
PQ7
e10
PER_VALUE
PV2
e12
PV1
e11
CUS_SAT
CSI3 e15
CSI2 e14
CSI1 e13
CUST_ LOY
CL3
e18
CL2
e17
CL1
e16
d1
d2d3
d4
1
1
1
1
1 1
1
1
1
1IMAGE
ima3e211
ima2e201
ima1e191
ima4e221
ima5e231
1
1 Complaints
d5
1
d7
1
1
11
11 e241
COMPLAINTS
0.8
92
Étude du modèle complet avec AMOS
Computation of degrees of freedom
Number of distinct sample moments = 300 Number of distinct parameters to be estimated = 60 Degrees of freedom = 300 - 60 = 240
Iteration limit reached (1000 iterations)
Chi-square = 658.758 Degrees of freedom = 240 Probability level = 0.000
This solution is not admissible.
The following variable has negative variance. d3 (-2167.38)
93
Étude du modèle simplifié avec AMOS (Résultats sur les variables réduites)
CUS_EXP
.30
CE1
e1
.55
.21
CE2
e2
.46
.18
CE3
e3
.42
.74
PER_QUAL
.60
PQ1
e4
.77
.33
PQ2
e5
.56
PQ3
e6
.50
PQ4
e7
.48
PQ5
e8
.50
PQ6
e9
.71
.57
PQ7
e10
.46
PER_VAL.89
PV2e12
.94
.55
PV1e11 .74
.87
CSI
.64
CS3e15
.80
.57
CSI2e14.75
.48
CSI1e13
.65
CUS_LOY
.75
CL3e18
.86
.01
CL2e17.12
.39
CL1e16 .63
.70
.78
.24
.80
.86
-.13d1
d2
d3
d4
.57 .75 .69.71.76
.04.72
Chi-Square = 271DF = 128Chi-Square /DF = 2.12RMSEA = .067p-value (RMSEA<=0.05) = .007
94
Utilisation du Bootstrap pour valider les paramètres
du modèle standardiséBootstrap Bias-corrected
Standardized Regression Weights confidence intervalEstimate Lower Upper P
PER_QUAL <-- CUS_EXP 0.857 0.687 1.204 0.004PER_VAL <-- PER_QUAL 0.785 -0.022 2.274 0.054PER_VAL <-- CUS_EXP -0.129 -0.979 0.974 0.796CSI <-- PER_VAL 0.245 0.005 0.487 0.049CSI <-- PER_QUAL 0.715 -0.005 1.774 0.058CSI <-- CUS_EXP 0.038 -1.241 0.766 0.806CUS_LOY <-- CSI 0.804 0.568 0.921 0.02x21 <-- CUS_EXP 0.549 0.323 0.707 0.02x22 <-- CUS_EXP 0.46 0.203 0.675 0.014x23 <-- CUS_EXP 0.423 0.265 0.589 0.005x31 <-- PER_QUAL 0.775 0.708 0.839 0.006x36 <-- PER_QUAL 0.706 0.549 0.82 0.013x42 <-- PER_VAL 0.943 0.874 1.004 0.009x41 <-- PER_VAL 0.742 0.592 0.811 0.023x53 <-- CSI 0.801 0.708 0.873 0.012x52 <-- CSI 0.752 0.663 0.81 0.021x73 <-- CUS_LOY 0.865 0.779 0.957 0.011x72 <-- CUS_LOY 0.118 -0.071 0.219 0.157x71 <-- CUS_LOY 0.625 0.482 0.737 0.01x51 <-- CSI 0.696 0.609 0.778 0.015x32 <-- PER_QUAL 0.575 0.464 0.682 0.007x33 <-- PER_QUAL 0.75 0.672 0.824 0.011x35 <-- PER_QUAL 0.69 0.589 0.765 0.013x34 <-- PER_QUAL 0.707 0.569 0.815 0.012x37 <-- PER_QUAL 0.756 0.645 0.814 0.026
95
Poids des variables pour l’estimation des variables latentes
CUEX1 CUEX2 CUEX3 PERQ1 PERQ2 PERQ3 f1 0.11102 0.074334 0.055776 0.07362 0.024507 0.050785 f2 0.03242 0.021705 0.016287 0.12987 0.043233 0.089590 f3 -0.00083 -0.000558 -0.000418 0.01235 0.004112 0.008522 f4 0.01321 0.008842 0.006634 0.04578 0.015241 0.031583 f5 0.00906 0.006064 0.004550 0.03140 0.010453 0.021661
PERQ4 PERQ5 PERQ6 PERQ7 PERV1 PERV2 CUSA1
0.046274 0.049023 0.046702 0.051524 -0.00071 -0.00440 0.0308500.081633 0.086483 0.082388 0.090894 0.00466 0.02873 0.0470980.007765 0.008227 0.007837 0.008646 0.10833 0.66864 0.0270740.028778 0.030488 0.029044 0.032043 0.00992 0.06122 0.0932210.019737 0.020910 0.019920 0.021977 0.00680 0.04199 0.063936
CUSA2 CUSA3 CUSL1 CUSL2 CUSL3
0.027752 0.03606 0.00387 0.000423 0.015330.042369 0.05506 0.00591 0.000645 0.023400.024356 0.03165 0.00340 0.000371 0.013450.083861 0.10898 0.01170 0.001277 0.046320.057516 0.07474 0.10838 0.011830 0.42895
96
VI. Analyse multi-groupes
Comparer un modèlesur G populations Emotional
exhaustion
ITEM14e141
ITEM13e131
ITEM8e8
ITEM6e61
ITEM3e3
ITEM2e2
ITEM1e1
1
Depersonalization
ITEM22e221
ITEM15e151
ITEM11e111
ITEM10e10
ITEM5e5 11
Personalaccomplishment
ITEM21e211
ITEM19e19
ITEM18e18
ITEM17e171
ITEM9e91
ITEM7e71
ITEM4e4 11
ITEM20e20
1
1
1
1
1
1
1
1
Exemple (Byrne) :
-1159 prof. de classe élémentaire- 388 prof. de classe intermédiaire-1384 prof. de classe secondaire
QUESTION
Le modèle est-il invariant au niveaudes variances des VL, des covarianceset des coefficients de régression VM-VL ?
97
Modèle sans contraintes
1.48
Emotionalexhaustion
ITEM14
1.91
e14
.95
1
ITEM13
1.29
e13
1.05
1
ITEM8
.90
e8
1.24ITEM6
1.67
e6.831
ITEM31.23
e3 1.05
ITEM2
1.20
e2
.92
ITEM1
1.18
e1
1.00
.84
Depersonalization
ITEM22
1.96
e22
.79
1
ITEM15
.80
e15
.72
1
ITEM11
1.40
e111
ITEM10
1.31
e101.04
ITEM5
1.41
e5 1.001
.17
Personalaccomplishment
ITEM21
1.33
e21
1.23
1
ITEM19
.68
e19
1.83
ITEM18
.79
e18
ITEM17
.46
e17
1.38
1
ITEM91.09
e9
1.911
ITEM7.49
e71.221
ITEM4
.68
e4 1.001
.75
-.22
-.21
ITEM20
.95
e20
.91
1
1
1
11.08
1.91
1
1
.54
1
.65
1
Chi-square = 2243.206df = 495Chi-square/df = 4.532rmsea = .035[.033 - .036]p-value = 1.000
Elémentaire
98
Modèle sans contraintes
Intermédiaire
1.44
Emotionalexhaustion
ITEM14
1.68
e14
.93
1
ITEM13
1.31
e13
1.13
1
ITEM8
.77
e8
1.27ITEM6
1.87
e6.791
ITEM31.18
e3 1.11
ITEM2
1.21
e2
.90
ITEM1
1.21
e1
1.00
.74
Depersonalization
ITEM22
2.40
e22
.87
1
ITEM15
1.12
e15
1.01
1
ITEM11
1.66
e111
ITEM10
1.88
e101.00
ITEM5
1.44
e5 1.001
.13
Personalaccomplishment
ITEM21
1.30
e21
1.91
1
ITEM19
.99
e19
2.40
ITEM18
.88
e18
ITEM17
.67
e17
1.79
1
ITEM91.22
e9
2.621
ITEM7.64
e71.761
ITEM4
.97
e4 1.001
.68
-.18
-.16
ITEM20
.95
e20
.92
1
1
1
11.32
2.39
1
1
.67
1
.77
1
Chi-square = 2243.206df = 495Chi-square/df = 4.532rmsea = .035[.033 - .036]p-value = 1.000
99
1.31
Emotionalexhaustion
ITEM14
1.90
e14
.98
1
ITEM13
1.27
e13
1.05
1
ITEM8
.71
e8
1.27ITEM6
1.74
e6.851
ITEM31.24
e3 1.08
ITEM2
1.23
e2
.93
ITEM1
1.22
e1
1.00
.73
Depersonalization
ITEM22
1.78
e22
.94
1
ITEM15
1.15
e15
.93
1
ITEM11
1.45
e111
ITEM10
1.40
e101.09
ITEM5
1.31
e5 1.001
.21
Personalaccomplishment
ITEM21
1.96
e21
1.35
1
ITEM19
.85
e19
2.07
ITEM18
.78
e18
ITEM17
.61
e17
1.24
1
ITEM91.03
e9
2.221
ITEM7.85
e71.471
ITEM4
1.08
e4 1.001
.56
-.20
-.19
ITEM20
.90
e20
.90
1
1
1
11.03
1.82
1
1
.60
1
.74
1
Chi-square = 2243.206df = 495Chi-square/df = 4.532rmsea = .035[.033 - .036]p-value = 1.000
Modèle sans contraintes
Secondaire
100
Modèle avec contraintes
Ecriture des contraintes :
AMOS permetde nommerautomatiquementles paramètrescontraints.
v_ee
Emotionalexhaustion
ITEM14e14
W1
1
ITEM13e13
W2
1
ITEM8e8
W3ITEM6e6
W41
ITEM3e3 W5
ITEM2e2
W6
ITEM1e1
1
v_dp
Depersonalization
ITEM22e22
W7
1
ITEM15e15
W8
1
ITEM11e111
ITEM10e10W9
ITEM5e5 11
v_pa
Personalaccomplishment
ITEM21e21
W10
1
ITEM19e19
W11
ITEM18e18
ITEM17e17
W12
1
ITEM9e9
W131
ITEM7e7W141
ITEM4e4 11
C1
C2
C3
ITEM20e20
W15
1
1
1
1W16
W17
1
1
C4
1
C5
1
101
Modèle avec contraintes
Elémentaire
1.39
Emotionalexhaustion
ITEM14
1.91
e14
.96
1
ITEM13
1.29
e13
1.06
1
ITEM8
.90
e8
1.26ITEM6
1.67
e6.841
ITEM31.23
e3 1.07
ITEM2
1.24
e2
.92
ITEM1
1.22
e1
1.00
.76
Depersonalization
ITEM22
1.95
e22
.88
1
ITEM15
.77
e15
.84
1
ITEM11
1.45
e111
ITEM10
1.35
e101.07
ITEM5
1.41
e5 1.001
.18
Personalaccomplishment
ITEM21
1.33
e21
1.36
1
ITEM19
.66
e19
2.01
ITEM18
.81
e18
ITEM17
.47
e17
1.35
1
ITEM91.06
e9
2.151
ITEM7.48
e71.371
ITEM4
.69
e4 1.001
.65
-.21
-.19
ITEM20
.95
e20
.90
1
1
1
11.10
1.92
1
1
.58
1
.70
1
Chi-square = 2344.752df = 545Chi-square/df = 4.302RSMEA = .034[.032 - .035]p = 1.000
102
Modèle avec contraintes
Intermédiaire
1.39
Emotionalexhaustion
ITEM14
1.67
e14
.96
1
ITEM13
1.34
e13
1.06
1
ITEM8
.77
e8
1.26ITEM6
1.87
e6.841
ITEM31.19
e3 1.07
ITEM2
1.14
e2
.92
ITEM1
1.14
e1
1.00
.76
Depersonalization
ITEM22
2.38
e22
.88
1
ITEM15
1.17
e15
.84
1
ITEM11
1.70
e111
ITEM10
1.77
e101.07
ITEM5
1.42
e5 1.001
.18
Personalaccomplishment
ITEM21
1.33
e21
1.36
1
ITEM19
.97
e19
2.01
ITEM18
.88
e18
ITEM17
.68
e17
1.35
1
ITEM91.20
e9
2.151
ITEM7.65
e71.371
ITEM4
.97
e4 1.001
.65
-.21
-.19
ITEM20
.96
e20
.90
1
1
1
11.10
1.92
1
1
.58
1
.70
1
Chi-square = 2344.752df = 545Chi-square/df = 4.302
103
1.39
Emotionalexhaustion
ITEM14
1.67
e14
.96
1
ITEM13
1.34
e13
1.06
1
ITEM8
.77
e8
1.26ITEM6
1.87
e6.841
ITEM31.19
e3 1.07
ITEM2
1.14
e2
.92
ITEM1
1.14
e1
1.00
.76
Depersonalization
ITEM22
2.38
e22
.88
1
ITEM15
1.17
e15
.84
1
ITEM11
1.70
e111
ITEM10
1.77
e101.07
ITEM5
1.42
e5 1.001
.18
Personalaccomplishment
ITEM21
1.33
e21
1.36
1
ITEM19
.97
e19
2.01
ITEM18
.88
e18
ITEM17
.68
e17
1.35
1
ITEM91.20
e9
2.151
ITEM7.65
e71.371
ITEM4
.97
e4 1.001
.65
-.21
-.19
ITEM20
.96
e20
.90
1
1
1
11.10
1.92
1
1
.58
1
.70
1
Chi-square = 2344.752df = 545Chi-square/df = 4.302
Modèle avec contraintes
Secondaire
104
Test de l’invariance du modèle
Comparer le modèle sans contraintes (M1)et le modèle avec contraintes (M2)
Test sur le modèle sans contraintes M1 :
- Les covariances sont égales sur les 3 groupes.- Les variances des VL sont égales sur les 3 groupes.- Les coefficients de régression VM-VL sont égaux sur les 3 groupes.
Hypothèse H0
105
Comparaison de deux modèles emboités
Calcul du Khi-deux global
Population g
2Population g Population g( 1)gn F
Global pour G populations
12Global Global( ) ( )
G
g gg
n F
n G n G Fn
1
où G
gg
n n
106
Comparaison de deux modèles emboités
Statistique utilisée
2 2 2(Modèle 2) - (Modèle 1)Global Global
Nombre de degrés de liberté
dl (modèle) = Nb de covariances – Nb de paramètres du modèle
Modèle 1 : 3*20*21/2 – 3*(20 var. rés. + 17 coef. Reg. + 3 var VL + 5 cov) = 495
Modèle 2 : 3*20*21/2 – (3*20 var. rés. + 17 coef. Reg. + 3 var VL + 5 cov) = 545
107
Comparaison de deux modèles emboités
Règle de décision
2 2 2
21-
(Modèle 2) - (Modèle 1)
> [ ( 2) ( 1)]
Global Global
dl M dl M
On rejette le modèle avec contraintes M2 (hypothèse H0)au profit du modèle sans contrainte M1 au risque de se tromper si
Application
2
2
2344.75 2243.21 101.54
( 2) ( 1) 545 495 50
p-value=Prob (50) 101.54 .0000228
dl M dl M
Rejet de H0
108
CONCLUSION
• Covariance-based SEM représente la principale demande en analyse des données des chercheurs en sciences « soft » : Marketing, Stratégie, Sciences politiques, Psychologie, Sociologie,…
• Cov-SEM, l’approche PLS et la régression PLS permettent de modéliser les liens de causalité entre blocs de variables.
• Cov-SEM est une méthode confirmatoire : elle permet de valider les hypothèses du chercheur.
109
Références
L. Hatcher : A step-by-step approach to using the SAS system for factor analysis and structural equation modeling,SAS Institute, 1994
J. Scott Long :
Confirmatory Factor Analysis, SAGE Publications, 1983
J. Scott Long :
Covariance structure models, SAGE Publications, 1983
J.L. Arbuckle & W. Wothke :Amos 4.0 Users’ guide,
SmallWaters Corp., 1999
110
Schumaker & Lomax :
A beginner’s guide to SEM Lawrence Erlbaum Associates, Mahwah (NJ), 1996
Byrne, BM :
SEM with AMOS: Basic Concepts Applications and programming Lawrence Erlbaum Associates, Mahwah (NJ), 2001
Kaplan D. :Structural equation modelingSAGE, 2000
Rex B. Kline : Principles and practice of structural equation modeling The Guilford Press, New York, 2005
Kenneth A. Bollen : Structural equations with latent variables, Wiley, 1989
111
AnnexeModélisation des équations structurelles
Variables latentes :
1
VL endogène
m
η1
VL exogène
m
ξ
Modèle structurel (Modèle interne):
η = Bη + Γξ + ζ
112
Modélisation des équations structurelles
Modèle de mesure (Modèle externe) :
1 1 1 1
j j j
yj j j j
j jy
jm jm jm
y
y
yj jελ
y =
1 1 1
k k k
xk j k
k kx
km km km
k k
x
x
xλ δ
x =
yy = Λ η + ε xx = Λ ξ + δ
VM VL VLVM
Endogenous Exogenous
113
Modélisation des équations structurelles
Intégration des modèles structurel et de mesure :
1( ) ( )y yy = Λ η + ε y = Λ I - B Γξ + ζ + ε
xx = Λ ξ + δ
1( ) ( )η = Bη + Γξ + ζ η = I - B Γξ + ζ
= Cov() = E(’) = Cov() = E(’) = Cov() = E(’) = Cov() = E(’)
Pas de corrélation entre les
résidus , , .
Forme réduite
114
Modélisation des équations structurelles
Matrice de covariance des variables manifestes :
1
1 1 1
( , , , , , , )
' ' ( ) ' '
( ) ' [( ) ( )][( ) '] '
xx xy
yx yy
x y ε δ
x x δ x y
y x y y ε
Σ ΣΣ Λ Λ B,Γ Φ Ψ Θ Θ
Σ Σ
Λ ΦΛ + Θ Λ ΦΓ I - B Λ
Λ I - B ΓΦΛ Λ I - B ΓΦΓ' + Ψ I - B Λ + Θ
Modèleexterne
Modèleinterne
Cov.des VL ex.
Covariancedes résidusdes éq. struct.
Covariancedes résidusdu modèlede mesure
115
Modélisation des équations structurelles
Méthode du Maximum de Vraisemblance :
ˆ ˆ ˆ ˆ ˆˆ ˆ ˆ( , , , , , , ) x y ε δC Σ Λ Λ B,Γ Φ Ψ Θ Θ
S = Matrice des covariances observées des VM
Minimiser F = Trace(SC-1) - q + Ln(det C) - Ln(det S)
1Maximiser log ( ) log ( ) ( )2
nL tr S
116
Modélisation des équations structurelles
Calcul des écarts-types des paramètres :
1log ( ) log ( ) ( )2
nL tr S
12
ˆ
log ( )ˆ( )'
LCov E