Vous êtes sur la page 1sur 116

Analyse factorielle confirmatoire,

Modle de causalit (Path analysis) et


Modlisation dquations structurelles
sur variables latentes
Michel Tenenhaus
tenenhaus@hec.fr

Analyse factorielle confirmatoire


1

x6

Exemple
Kendall

x12

x11

F1

x5
x10
x13
x2
x4

F2

x14
x7
x9

F3
x15
x1

e12

x8

e6

e8
e11

e5
1

e10

e13

e2
1

e4
e14

1
1

e7
e9
e15

e1

F4

.8

X3

e3

Modle de causalit
(Path analysis, Equations simultanes)
Rewards
e2
1

Satisfaction
Costs

Commitment
1
e1

Investments

Alternatives

Modle de relations structurelles sur variables laten

Modlisation de relations de
causalit
sur variables latentes
Image
R2=.243
Customer
Expectation

.037
(.406)

Loyalty

.153
(.006)
.466
(.000)

.066
(.314)
.545
(.000)

Perceived
value
.540
(.000)

Perceived
quality
R2=.297

R2=.335

R2=.432

.212 (.002)

.493
(.000)

.200 (.000)

.05
(.399)

Customer
satisfaction
R2=.672

.540
(.000)

.544
(.000)

Complaint
R2=.292

ECSI Path model for aMobile phone provider

Approche
confirmatoire
Reconstituer
les covariances
et valider un modle

Covariance-based
SEM
- AMOS (SPSS)
- Proc CALIS (SAS)
Approche
exploratoire
Estimer les variables
latentes et estimer
les quations de
rgression

Component-based SEM
- PLS-Graph
- XLSTAT-PLSPM
- GSCA

I. Analyse Factorielle
Confirmatoire
Les donnes de Long

(J. Scott Long : Confirmatory Factor Analysis, SAGE Publications, 19

- 603 chefs de famille de la rgion de Hennepin, Illinois


- PSY67
PHY67
PSY71
PHY71

=
=
=
=

Dsordres
Dsordres
Dsordres
Dsordres

psychologiques 1967
psycho-physiologiques 1967
psychologiques 1971
psycho-physiologiques 1971

Donnes
n
corr
corr
corr
corr
stddev

PSY67
PHY67
PSY71
PHY71

PSY67
603
1
0.454
0.526
0.377
1.45

PHY67
603
.
1
0.247
0.309
0.555

PSY71
603
.
.
1
0.549
1.38

PHY71
603
.
.
.
1
0.503

Les donnes sont les covariances entre les variables manifestes :


Cov( X i , X j ) Cor ( X i , X j ) * Var ( X i ) * Var ( X j )

Le 1er modle spcifi par Long


theta13

Rsidus

theta11

theta22

theta33

D1

D2

D3

D4

1
PSY67

L21

XSI1

theta44

PHY71

PSY71

PHY67

L11

Variables
latentes

theta24

L32

phi11

L42

XSI2

Variables
manifeste

phi22

phi12

tude du 1er modle spcifi


Covariances sur la
population
PSY67
PHY67
PSY67
PHY67
PSY71
PHY71

11

12
22

Matrice
PSY71
13
23
33

PSY71
14
24
34
44

Les quations
factorielles
PSY67 = 11 1 + 1
PHY67 = 21 1 + 2
PSY71 = 12 2 + 3

Les 13 paramtres du
modle
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)

avec E (i j ) 0
PHY71 =

Modle identifiable22

2 + 4

Les paramtres () du modle peuven


sexprimer de manire unique en
fonction de la matrice des covariance
vrifiant le modle :

(1 ) (2 ) 1 2
9
C.N. : Nb de paramtres q(q+1)/2.

Modle identifiable

()

Espace des paramtres


admissibles
Espace des () suivant le modle

Si 1 2 , (1) (2)

Espace de tous les possibles

10

tude du 1er modle spcifi


Les quations
factorielles
x1 11
x
21
2
x

x3

x4

0
0

0
12

22
1 4 2 43

Dcomposition de la
covariance

1

{2

E ( xx ') E ( )( ) '
1

E ( ') ' E ( ')
2


123
123
3

4
{
'

Les paramtres du modle


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,

11 12

21 22

E ( ')

11 0 13 0
0

22
24
E ( ')
13 0 33 0

0 24 0 44

11

2e modle de Long (identifiable)


Normalisation des variables latentes
Var(1) = 11 = 1 , Var(2) = 22 = 1
Stabilit des saturations au cours du temps
PSY67,1 = PSY71,2
PHY67,1 = PHY71,2
Indpendance entre les rsidus
13 = Cov(1, 3) = 0
24 = Cov(2, 4) = 0

12

Le 2e modle (identifiable) spcifi par


Long
theta11

theta22

theta44

theta33

D1

D2

D3

D4

PSY67

L11

PHY71

PSY71

PHY67

L21
1

L11

XSI1

L21
1

XSI2

phi12

Le nombre de paramtres (7) est infrieur au nombres de


variances et covariances (10) : Nombre de degrs de libert = 3.
13

tude du 2e modle spcifi


Les quations
factorielles
x1 11
x
21
2
x

x3

x4

0
0

0
11

21
1 4 2 43

1

{2

Dcomposition de la
covariance

1
E ( xx ') E ( )( ) '

2
E ( ') ' E ( ')

1
23
123
3

{ 4
'

Les paramtres du
modle
11, 21
12 = Cov(1, 2)
11 = Var(1) , 22 =
Var(2) ,
33 = Var(3) , 44 = Var(4)

1
E ( ')
12

12
1

0
0
11 0
0

0
0
22

E ( ')
0
0 33 0

0
0
0

44

14

Calcul de la matrice des covariances thoriques (modle 2)


Les
covariances
PSY67
PSY67
PHY67
PSY71
PHY71

11

PHY67
12
22

PSY71
13
23
33

PSY71
14
24
34
44

Les quations
factorielles
PSY67 = 1 1 + 1
PHY67 = 2 1 + 2
PSY71 = 1 2 + 3

Les 7 paramtres du modle

Modle identifiable : les paramtres


1, 2, Var(h) = 1, 12 = Cov(1, 2), i =
sexpriment
de=manire
PHY71
2 2 +unique
4
Var(i)
en fonction des covariances.
C.S.:
1 bloc 3 VM
2
2
0
1 12 12 1 212blocs
12 et +
11 12 13 14
1 20VM 0
par bloc

22 23 24

33 34

44

22

1212
12

1222
12
2
2

0 0
3 0

15

Estimation et validation du modle


Notations
- q = Nombre de variables manifestes
- n = Nombre dobservations (rgle courante : n > 10*(nb de
paramtres))
- = Matrice des covariances au niveau de la population
- S = Matrice des covariances observes
- C = Matrice des covariances calcules laide du modle

Maximum de vraisemblance

En supposant les donnes multinormales le maximum de vraisembl

conduit rechercher les paramtres du modle minimisant la foncti


F(S,C) = Trace(SC-1) - q + Ln(det C) - Ln(det S) FMIN
Tests de validation du modle

Augmente avec n !!!

- Si le modle tudi est exact : Chi-Square = CMIN = (n-1)FMIN


2(dlM)
- dlM = Nb de covariances - Nb de paramtres du modle M
trsbien
peu de
- Modle accept si p-value Dpend
0.05 ou
si n Chi-Square/dlM16 2

Estimation du modle

2 = CMIN=(n-1)FMIN

()

Espace des paramtres


admissibles
Espace des () suivant le modle
Espace de tous les possibles

17

Rsultats des estimations des paramtres avec


AMOS
.52

.22

D1
1
PSY67

D2

D3

D4

PHY67

1.24

.30

.16

.40

PHY71

PSY71

1.24

1.00

.30
1.00

XSI1

XSI2

Modle 2 de LONG
Chi-Square = 22.574
DF = 3
.67
P-Value = .000
2
2
0
0

1.24
1.24*.30
.67
*1.24
.67 *1.24*.30
.52 0
Chi-Square/df = 7.525

2
2
.22
0
0
.30
.67
*1.24*.30
.67
*.30
RMSEA = .104

C
2

p-value = .010
.40 0
1.24
1.24*.30

2
18
.16
.30

Matrice des covariances et des


corrlations observes et reconstitues
laide du modle 2

Exemple : Var(PHY71)

= Var(.30XSI2 + D4) = .302Var(XSI2) + Var(D4)


= .302 + .16 = .25 .247

19

Ecart d lapproximation
de la ralit par le modle
Soit la matrice des covariances calcule au
niveau de la population et C0 la matrices des
covariances calcules laide du modle
minimisant la fonction
F(,C0) = Trace(C0-1) - q + Ln(det C0) - Ln(det )
FMIN0

Si le modle est exact, FMIN0 = 0.

20

Ecart d lapproximation de la ralit


par le modle

FMIN
population
C FMIN

C0

()

Espace des paramtres


admissibles
Espace des () suivant le modle
Espace de tous les possibles

21

Loi du khi-deux non centre

E ( ) p
'2

22

Loi gnrale de CMIN = (n-1)FMIN


(Le modle tudie nest pas ncessairement le bon)

CMIN suit une loi du khi-deux non centre dlM degrs


de libert et de paramtre de non centralit =(n1)FMIN0.

E (CMIN ) dlM

Estimation de = (n-1)FMIN0
Max(CMIN dlM , 0) estimation de

Estimation de FMIN0

FMIN
0
n 1

Favorise les modles avec beaucoup de paramtres (CMIN et dl M petits)23

Validation du modle laide du RMSEA


(Root Mean Square Error of Approximation)
Le RMSEA mesure la distance entre la
matrice des
covariances calcules C0 laide du modle M
et

- Ne dpend pas de n.
FMIN
0 sur la population :
la matrice
des covariances
RMSEA

- Corrig pour le nombre


dlM
de paramtres.
o

FMIN0 = Trace(C0-1) - q + Ln(det C0) - Ln(det )


24

Utilisation pratique du RMSEA


Le RMSEA est estim
par

RMSEA estim

FMIN
0
dlM

Le modle est accept si le RMSEA estim est infr


0.05 ou, la limite, 0.08.
25

RMSEA

FMIN
population

C FMIN

C0

()

Espace des paramtres


admissibles

RMSEA

FMIN 0
dlM

RMSEA estim

FMIN
0
dlM

Espace des () suivant le modle


Espace de tous les possibles

26

Utilisation pratique du RMSEA


Les programmes fournissent :
-

Intervalle de confiance 90% du

RMSEA
-

Niveau de signification du test


H0 : RMSEA 0.05

Le test sur le Khi-deux est trs exigeant


puisquil correspond en fait au test
H0 : RMSEA = 0

27

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
STD
.
1.45
0.555
1.38
CORR
V1
1.000
.
.
CORR
V2
.454
1
.
CORR
V3
0.526
0.247
1.000
CORR
V4
0.377
0.309
0.549
;

603
0.503
.
.
.
1.000

28

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;

29

Rsultat de la Proc CALIS pour le modle 2


RMSEA Estimate
RMSEA 90% Lower Confidence Limit
RMSEA 90% Upper Confidence Limit

0.1041
0.0667
0.1462

Rsultat de AMOS pour le modle 3


RMSEA
---------0.104

LO 90
---------0.067

HI 90
---------0.146

PCLOSE
---------0.010

Conclusion
Lhypothse H0 : RMSEA 0.05 est rejete puisque :
(1) lintervalle de confiance du RMSEA est au-dessus de
0.05,
(2) Niveau de signification du test = 0.0108 = Proba. (H030

Deux modles extrmes


Le modle satur :
Ce modle contient autant de paramtres que de
donnes : [q(q+1)/2].
Ce modle prsente 0 degr de libert.
[Il reconstitue parfaitement la matrice des covariances :
FMIN=0]

Le modle correspondant
lindpendance entre les VM :
Toutes les variables manifestes sont indpendantes
entre elles. Les seuls paramtres estimer sont les
variances des VM.
Ce modle prsente le nombre maximum de degrs31de

Indices de Validation bass sur la comparaison


au modle de lindpendance :
Bentler Comparative Fit Index (CFI)

CFI compare le modle tudi au modle


correspondant au cas de lindpendence entre
les variables manifestes :

Max(CMIN M dlM , 0)
CFI 1
Max(CMIN IND dlIND , 0)
Le modle est accept si CFI 0.9
32

Bentler-Bonnet Non-Normed Fit Index (NNFI)


quivalent au Tucker-Lewis Index (TLI)

FIND FM

dlIND dlM
NNFI TLI
FIND
1

dlIND n 1
Le modle est accept si :
NNFI 0.9 ou mme 0.95
33

Goodness-of-Fit Index (GFI)


Adjusted Goodness-of-Fit Index (AGFI)

FM
GFI 1
FIND
dlIND
AGFI 1 1 GFI
dlM
Le modle est accept si :
GFI et AGFI 0.9
34

Root Mean Square Residual (RMR)

j i

2
2

RMR
( sij ij )

q (q 1) i 1 j 1
Standardized RMR
q

j i

2
2
Standardized RMR
( rij rij )

q (q 1) i 1 j 1
comparer .10.

35

Akaike Information Criterion (AIC) calcul dans


AMOS

AIC 2(Nb de paramtres du modle)


2
M

ECVI

1
ECVI ( AIC )
n
36

Amlioration du modle
Utilisation des indices de modification
Les indices de modification mesurent la diminution du khi-deux
obtenue en ajoutant une flche (simple ou double) sur le
schma flch.
Rank Order of the 5 Largest Modification Indices

SAS

Row

Column

d3
d3
d4

AMOS

d2
d1
d2

Chi-Square
20.02924
16.39279
16.39132

Modification Indices
Covariances:

M.I.

D2
D2

15.091
14.297

<=>
<=>

Pr > ChiSq

D4
D3

<.0001
<.0001
<.0001

Par Change
0.033
-0.081

37

3e modle : 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;

38

Rsultats du 3e modle visualiss avec


AMOS
Coefficients standardiss

(cart-type = .047)

39

Estimation des variables latentes


Rsultat de loption OUTSTAT de la Proc CALIS
_NAME_
f1
f2

v1

v2

v3

v4

0.529
0.072

0.215
-0.005

0.109
0.586

-0.005
0.221

Chaque variable latente est estime par rgression


multiple de la variable latente thorique sur toutes
les variables manifestes centres :

- XSI1 = 0.529*PSY67 + 0.215*PHY67 + 0.109*PSY71 - 0.005*PHY

- XSI2 = 0.072*PSY67 - 0.005*PHY67 + 0.586*PSY71 + 0.221*PHY

40

II. Analyse factorielle confirmatoire


du second ordre (analyse de tableaux multiples)

Facteurs
du 1er ordre

Facteur
du 2e ordre

41

Rsultats visualiss avec AMOS


(Coefficients non standardiss)

42

Rsultats visualiss avec AMOS


(Coefficients standardiss)

43

Estimation des variables latentes

- XSI1 = 0.365*PSY67 + 0.559*PHY67 + 0.272*PSY71 + 0.138*PHY

- XSI2 = 0.090*PSY67 + 0.413*PHY67 + 0.556*PSY71 + 0.439*PHY


- XSI

= 0.220*PSY67 + 0.439*PHY67 + 0.344*PSY71 + 0.232*PHY

On peut aussi estimer chaque facteur du premier ordre comme


combinaison linaire de ses variables manifestes :

- en prenant le fragment du facteur de 2e ordre XSI correspondan


chaque bloc (style AFM),
- par rgression du facteur du second ordre XSI sur chaque bloc
(style ACG ou Mode B de lapproche PLS),
- par rgression PLS de XSI sur chaque bloc (chaque variable
manifeste est pondre par sa covariance avec XSI).

44

III. Autres mthodes destimation


Unweighted Least Squares (ULS)
Fonction minimise : F = 0.5*||S C||2
Generalized Least Squares (GLS)
Fonction minimise :

F = 0.5*||I - S-1C||2

Scale free Least Squares (SLS)


Fonction minimise :

F = 0.5*||{diag(S)}-1(S - C)||2

Asymptotically distribution-free (ADF)


Fonction minimise :F

u ijkl (sij cij )(s kl c kl )


ijkl

* Chi-Square = (n-1)F 2(ddl) si le modle tudi est 45


exact.

IV. Les modles de causalit (Path models)


Rcursif vs non rcursif

1
X1

1
X1

Y1
1

X2

D1

Y2

Modle rcursif
- Erreurs non corrles
- Pas de boucles

Y1
1

D2
X2

D1

D2

Y2

Modle non rcursif

46

Modles de causalit (Path models)


Rcursif vs non rcursif

1
X1

1
X1

Y1
1

X2

D1
Y1

D2

Y2

Modle partiellement rcursif


- Bow-Free pattern
- Considr comme rcursif

1
X2

D1

D2

Y2
Modle non rcursif

- Bow pattern
- Considr comme non rcursif

47

Modles identifiables
Les modles rcursifs sont identifiables.
Les conditions pour quun modle non
rcursif soit identifiable sont complexes :
voir Kline chapitre 9.

48

Un exemple de modle de causalit


Engagement sentimental dune 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
Variables
sur 240
individus
:
analysis andobserves
structural equation
modeling.
SAS Institute,
1994

Commitment
Satisfaction
Rewards
Costs
Investment size
Alternative value

49

Description des variables


Commitment : the subjects intention to maintain a current romantic
relationship
Satisfaction : the subjects 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 subjects
alternatives to the current relationship
Rewards : the subjects perceptions of the number of good things
associated with the current relationship
Costs : the subjects perceptions of the number of bad things
associated with the current relationship

50

Le modle
Rewards
e2
1

Satisfaction
Costs

Commitment
1
e1

Investments

Alternatives

51

Les donnes

52

Rsultats (non standardiss)


1.57

Rewards
1.43
.74

e2
1

-.78

Satisfaction
1.98

1.04

-.43

.39

Commitment

Costs

-.95
.48

-.41
2.43

.93

Investments
-1.15
3.50

Alternatives

1.62

e1

-.52

Chi-square = 37.389
DF = 4
p-value = .000
Chi-square/DF = 9.347
RMSEA = .187
p-value (RSMEA) = .000

53

Rsultats (standardiss)
Rewards
.52

e2

R2= .55

-.44

Satisfaction
.31

-.34

.53

R2= .67

Commitment

Costs
-.41
.34

-.19

.35

Investments

e1

-.43

-.39

Alternatives

Chi-square = 37.389
DF = 4
p-value = .000
Chi-square/DF = 9.347
RMSEA = .187
p-value (RSMEA) = .000

54

Rsultats

55

Modle rvis 1
1.57

Rewards
1.28
.54

e2
1

-.78

Satisfaction
1.98

1.04

.39

-.45

Commitment

Costs
-.95

.29
.48

-.41
2.43

.93

Investments
-1.15
3.50

Alternatives

1.62

e1

-.52

Chi-square = 11.748
DF = 3
p-value = .008
Chi-square/DF = 3.916
RMSEA = .110
p-value (RSMEA) = .052

56

Rsultats pour le modle 1

57

Modle rvis 2
1.57

Rewards
1.23
.50

e2
1

-.78

Satisfaction
1.98

1.04

.39

-.41

Commitment

Costs
-.95

.24
.48

-.41

1.62

e1

-.15
2.43

.93

Investments
-1.15
3.50

Alternatives

-.52

Chi-square = 1.123
DF = 2
p-value = .570
Chi-square/DF = .562
RMSEA = .000
p-value (RSMEA) = .726

58

Rsultats modle 2

59

Modle rvis 2 : rsultats standardiss


Rewards
.35

e2

-.44

Satisfaction
-.32

.53

R2 =.61

Commitment

Costs
-.41

.30

.21

R2 = .70

-.15

-.19

e1
.32

.35

-.42

Investments
-.39

Alternatives

Chi-square = 1.123
DF = 2
p-value = .570
Chi-square/DF = .562
RMSEA = .000
p-value (RSMEA) = .726

60

Exemple Illness (Kline)


Corrlations et carts-types, n = 373

Problme avec les carts-types !


61

Le modle de Roth
D1

1
Fitness
Exercice

D2

Illness
Hardiness
Stress

1
D3

Modle de Roth en trait continu.


Vrifier que les autres liaisons sont non significatives.

62

Utilisation de AMOS sur le modle satur


Rsultats non standardiss
1136.16

e1
1

4410.39

.03
.08

-75.61

Hardiness

e2

-.44

Exercice

1440.13

3178.98

Fitness

.22

Illness

-.20

-.01

-.12
.27

-.39

Stress
1

4181.00

e3

63

Rsultats standardiss
e1

Fitness

.39

e2

-.26

Exercice

.03
.08

Illness

-.11

-.03
-.01

Hardiness

-.07

.29

-.22

Stress

e3

64

Rsultats modle satur


CMIN
Model

NPAR

CMIN

DF

Default model

15

.000

Saturated model

15

.000

Independence model

165.499

10

CMIN/DF

Regression Weights:

.000

16.550

Covariances
Estimate
Exercice

<-->

Hardiness

-75.607

S.E.

C.R.

130.726

Variances:
Estimate

S.E.

C.R.

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

***

-.578

P
.563

Estimate

S.E.

C.R.

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

65

Effet direct, indirect et total


Direct Effects

Total Effects

Hardiness

Exercice

Fitness

Stress

Fitness

.079

.217

.000

.000

Stress

-.393

-.014

-.198

.000

Illness

-.121

.032

-.442

.271

Hardiness

Exercice

Fitness

Stress

Fitness

.000

.000

.000

.000

Stress

-.016

-.043

.000

.000

Illness

-.146

-.112

-.054

.000

Hardiness

Exercice

Fitness

Stress

Fitness

.079

.217

.000

.000

Stress

-.409

-.057

-.198

.000

Illness

-.267

-.080

-.496

.271

Indirect Effects

Pas deffet direct de


Exercice sur Illness
Mais peut-tre un effet indirect
66

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
Effet
direct

Effet total

Effet indirect

67

Utilisation du Bootstrap sur des donnes


individuelles
et sur des donnes rsumes par leurs
moyennes
et leur matrice de variances/covariances

Les paramtres du modle peuvent tre valids en utilisant le Boots

- Sur des donnes individuelles sans hypothse de loi de proba

- Sur des donnes rsumes par leurs moyennes et leur matri


de variances/covariances en supposant des distributions
multinormales avec les moyennes et variances/covariances
observes sur les donnes tudies.
AMOS gnre N vecteurs des moyennes et N matrices de
variances/covariances : parametric bootstrap .

68

Rsultats du parametric bootstrap

69

V.

Modlisation de relations de
causalit
sur variables latentes (SEM)

Engagement sentimental dune personne avec son


partenaire
Des blocs de variables manifestes sont
observes sur 240 individus pour dcrire les
variables latentes suivantes :
-

Commitment
Satisfaction
Rewards
Costs
Investment size
Alternative value

70

Exemple de blocs
Investment Size

Please rate each of the following items to indicate the extent to wh


you agree or disagree with each statement. Use a response scale i
which 1 = Strongly Disagree and 7 = Strongly Agree.

1. I have invested a great deal of time in my current relationsh

2. I have invested a great deal of energy in my current relation

3. I have invested a lot of my personal resources (e.g., money)


developing my current relationship.

4. My partner and I have developed a lot of mutual friends whi


I might lose if we were to break up.

71

Exemple de blocs
Satisfaction
1. I am satisfied with my current relationship.

2. My current relationship comes close to my ideal relationshi

3. I am more satisfied with my relationship than is the averag


person.
4. I feel good about my current relationship.

72

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 a


play the field for a while.

73

Validation de
loutil de mesure
par Analyse
Factorielle
Confirmatoire

e10

e9

e8
1

v8

v9

v10
1

Rewards

e5
v5

e11
1

v11

v12

e12

e7

e6

v7

v6

e13
1

v13

Satisfaction

e1

e2

v1

v2

e4

e3
1

v3

v4

1
1

Costs

Variances des
variables latentes
fixes 1

e14

e16

e15

v14

Commitment

v16

v15
1

Investments

e17

e18

e19

v17

v18

v19
1

Alternatives

74

Validation de luni-dimensionalit dun bloc


Validit convergente

La corrlation entre chaque variable manifeste et


sa variable latente doit tre suprieure 0.7 en
valeur absolue

75

Validation de luni-dimensionalit dun bloc


AVE (Average Variance Explained)
De

X j j j
et
2
Var(X
)

j Var() Var( j )
j

et Var() = 1, on dduit :
AVE

Var(X )
j

Rgle : AVE > 50%

76

Validation de luni-dimensionalit dun bloc


Indice de concordance (Composite Reliability)
De

X j j j
et

X
j

et Var() = 1, on dduit :
IC

( j ) 2

Var( X j )

( j ) 2

( j ) 2 Var( j )

Pour interprter cet indice, il faut supposer tous les j > 0.


Rgle : IC > .70

77

Variables manifestes mono-factorielles

78

Validit discriminante
1)

Une variable manifeste doit tre plus corrle sa


propre variable latente quaux autres variables latentes

2)
Chaque variable latente doit mieux expliquer ses
propres variables manifestes que chaque autre variable
latente :

AVE (h ) Cor 2 (h , k ) pour k h

79

Le modle de Rusbult
Modle
identifiable:
- Modle de
mesure
identifiable
- Modle de
causalit
au niveau des
variables latentes
Variances des
variables
latentes
identifiable
estimer.
Pour chaque VL,
une VM a un coefficient
de rgression fix 1.

e8

e10

e9
1 1
v9

v8

F3

v10
1

Rewards

e11
1

e12 e13
1 1
v12
1

v11

F4

v5

v6

v7
1

Satisfaction

Costs

F2

1
d2

e1
1

e2
1

e3
1

v1

v2

v3
1

Commitment
1
d1

Investments
e17
1
v17

F6

e6 e7
1
1

v13

e14 e15 e16


1 1
1
v14 v15 v16
1

F5

e5
1

e18
1
v18
1

e19
1
v19

Alternatives

80

F1

Estimation du modle de Rusbult


Utilisation de la Proc CALIS

proc calis covariance corr residual modification ;


lineqs
Indtermination leve en
v1 = lv1f1 f1 + e1,
v2 = lv2f1 f1 + e2,
fixant 1 un coefficient de
v3 =
1
f1 + e3,
rgression dune variable
.
manifeste par bloc
.
v17 = lv17f6 f6 + e17,
v18 =
1
f6 + e18,
v19 = lv19f6 f6 + e19,
Les variances de F1 et F2
f1 = pf1f2 f2 + pf1f5 f5 + pf1f6 f6 + d1, dpendent des autres
f2 = pf2f3 f3 + pf2f4 f4
+ d2;
paramtres du modle.
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;

81

Estimation du modle : rsultats standardiss


e8

.47
v10

.38

.41

Chi-square = 216.75
DF = 124
p-value = .000
Chi-square/DF = 1.748
RMSEA = .056
p-value = .208

e10

e9

v8

v9
.64

.62 .69

Rewards

F3
e5

e11 e12
-.10

.01

.77
.68 .76
.64
.21 v5
v7 e1
.67 .76
e2 e3
v6
v13
v11 v12
.82 .87.88
.77
.67 .87
.45
.82 .87.46
v1
v3
v2
-.16
Satisfaction
.88 .82 .93
Costs
.53
.33
e14
e16
e15
Commitment
d2
.48
.74
.30

-.47

.26

e7

e13

F4

.64

e6

v14

F5

F2

v15
v16
.86.69
.55

F1

.55

d1

Investments
e17

e18

e19

.06

.53
.57
v19
v18
v17
.68 .76 .73
.46

-.30

Alternatives

F6

82

Estimation des quations structurelles


Les quations structurelles non standardises
Latent Variable Equations with Estimates
f1
=
Std Err
t Value

0.4608*f2
0.0910 pf1f2
5.0618
+

f2
=
Std Err
t Value

0.9737*f3
0.1321 pf2f3
7.3690

0.7580*f5
0.1037 pf1f5
7.3127

1.0000 d1

+ -0.1213*f4
0.0510 pf2f4
-2.3777

0.1000*f6
0.1094 pf1f6
0.9136

Non significatif
+

1.0000 d2

Lengagement (F1) ne dpend pas significativement des


alternatives (F6).

83

Estimation des quations structurelles


Les quations structurelles standardises
Latent Variable Equations with Standardized Estimates
f1

0.3321*f2
pf1f2

0.5483*f5
pf1f5

0.0596*f6
pf1f6

f2

0.6395*f3
pf2f3

+ -0.1578*f4
pf2f4

0.7393 d2

0.6847 d1

84

Estimation du modle 2
e8

Chi-square = 217.573
DF = 125
p-value = .000
Chi-square/DF = 1.745
RMSEA = .056
p-value = .218

e10

e9

.47
v10

.38

.41
v8

v9
.64

.62 .69

Rewards

F3
e5

e11 e12
-.10

.64

-.47

.25

e7

.77
.68 .76
.64
.21 v5
v7 e1
.67 .76
e2 e3
v6
v13
v11 v12
.82 .87.88
.77
.67 .87
.45
.82 .87.46
v1
v3
v2
-.16
Satisfaction
.88 .82 .94
Costs
.53
.31
e14
e16
e15
Commitment
d2
.47
.74
.30
v14
v15
v16
.54
d1
.86.69
.55

F4
.01

e6

e13

F5

F2

F1

Investments
e17

e18

e19

.54
.58
v19
v18
v17
.68 .76 .73
.46

-.29

Alternatives

F6

85

Utilisation des indices de modification pour


rechercher de nouveaux liens de causalit entre
les variables latentes
Rank Order of the 5 Largest Modification Indices
(dpendante)
Row

(indpendante)
Column

f2 <=====
v2
v1
v10
v18

f5
f5
f3
f5
f3

Chi-Square

Pr > ChiSq

34.34669
7.97159
7.65396
5.64619
4.69157

<.0001
0.0048
0.0057
0.0175
0.0303

La satisfaction dpend aussi des investissements


dans la relation.

86

Estimation du modle 3
e8
v8

v9
.66

.64 .75

Rewards
e5
e11 e12
-.09

.52

Tous les indices de


modification entre
variables latentes
sont maintenant
infrieurs 4

.56
v10

.41

.44

Chi-square = 183.191
DF = 124
p-value = .000
Chi-square/DF = 1.472
RMSEA = .045
p-value = .731

e10

e9

.02
-.43

e6

e7

e13

.77
.68 .75
.26
.22 v5
v7 e1
.67 .75
e2 e3
v6
v13
v11 v12
.83 .87.87
.78
.68 .88
.51
.82 .87.46
v1
v3
v2
-.21
Satisfaction
.88 .82 .94
Costs
.55
.25
e14
e16
e15
Commitment
d2
.50
.71
.30
.51
v14
v15
v16
.56
d1
.84.71
.55

Investments
.26

e17

e18

e19

.53
.58
v19
v18
v17
.68 .76 .73
.46

-.30

Alternatives

87

Utilisation du Bootstrap pour tester


les paramtres du modles
Modle de causalit dcrivant les causes et les consquences
de la satisfaction client
Image
Loyalty

Customer
Expectation

Perceived
value

Perceived
quality

Modle complet
en bleu et rouge,
modle simplifi
en rouge

Customer
satisfaction

Complaints

88

Loutil de mesure pour lindustrie de la tlphonie mobile :


Exemples de variables latentes et manifestes

Customer expectation
a) Expectations for the overall quality of
your mobil phone provider at the
moment you became customer
of this provider.
b) Expectations for your mobile phone
provider to provide products and
services to meet your personal need.
c) How often did you expect that things
could go wrong at your mobile phone
provider ?

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 ?

89

Loutil de mesure pour lindustrie de la tlphonie mobile :


Exemples de variables latentes et manifestes

Customer loyalty
a) 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 ...


90

tude du modle
complet avec AMOS

e2

e1

e5

e4

e3

CE1

CE2

CE3

PQ1

PQ2

e6

e7

e8

PQ3

e9

PQ4

PQ5

PQ6

e10

PQ7

CUST_EXP

PER_QUALI 1

e11

e12

PV1

PV2

d5

d1

PER_VALUE
e19
e20
e21
e22
e23

1
1
1
1
1

ima1

d2

ima2

d7

ima3

d3

CUS_SAT

IMAGE

1
CSI1

ima4

CSI2
ima5
CSI3

d4

CUST_ LOY

1
1

e13
e14

e15

COMPLAINTS

0.8

CL1

CL2

CL3

e16

e17

e18

Complaints

e24

91

tude du modle 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)

92

tude du modle simplifi avec AMOS (Rsultats sur les variables


rduites)
.21

.30
CE1

Chi-Square = 271
DF = 128
Chi-Square /DF = 2.12
RMSEA = .067
p-value (RMSEA<=0.05)
= .007

CE3

PQ1

PV2
CSI1
.57

e14

CSI2

e15

CS3

PQ6

.57

PQ7

.71 .69
.71 .76
.74

PER_QUAL

d1

.46 .78

d2

PER_VAL
.72

.87

.70
.75

CSI

d3

.64 .80
.80

.39

CL1

.63

.01 .12

CL2
.75

e18

.50

.24

.48

e17

PQ5

e10

.74

PV1

.89 .94 .04

e16

e9
.48

.50
PQ4

PQ3

.86

.55

e13

.56

PQ2

e8

e7

.77 .57 .75

-.13

e12

e6
.33

.42

CUS_EXP

e11

e5

.60

.18

CE2

.55 .46

e4

e3

e2

e1

CL3

.65

CUS_LOY

d4

.86

93

Utilisation du Bootstrap pour valider les


paramtres
du modle standardis
Standardized Regression Weights
PER_QUAL
PER_VAL
PER_VAL
CSI
CSI
CSI
CUS_LOY
x21
x22
x23
x31
x36
x42
x41
x53
x52
x73
x72
x71
x51
x32
x33
x35
x34
x37

<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<--

CUS_EXP
PER_QUAL
CUS_EXP
PER_VAL
PER_QUAL
CUS_EXP
CSI
CUS_EXP
CUS_EXP
CUS_EXP
PER_QUAL
PER_QUAL
PER_VAL
PER_VAL
CSI
CSI
CUS_LOY
CUS_LOY
CUS_LOY
CSI
PER_QUAL
PER_QUAL
PER_QUAL
PER_QUAL
PER_QUAL

Estimate
0.857
0.785
-0.129
0.245
0.715
0.038
0.804
0.549
0.46
0.423
0.775
0.706
0.943
0.742
0.801
0.752
0.865
0.118
0.625
0.696
0.575
0.75
0.69
0.707
0.756

Bootstrap Bias-corrected
confidence interval
Lower
Upper
P
0.687
1.204
-0.022
2.274
-0.979
0.974
0.005
0.487
-0.005
1.774
-1.241
0.766
0.568
0.921
0.323
0.707
0.203
0.675
0.265
0.589
0.708
0.839
0.549
0.82
0.874
1.004
0.592
0.811
0.708
0.873
0.663
0.81
0.779
0.957
-0.071
0.219
0.482
0.737
0.609
0.778
0.464
0.682
0.672
0.824
0.589
0.765
0.569
0.815
0.645
0.814

0.004
0.054
0.796
0.049
0.058
0.806
0.02
0.02
0.014
0.005
0.006
0.013
0.009
0.023
0.012
0.021
0.011
0.157
0.01
0.015
0.007
0.011
0.013
0.012
0.026

94

Poids des variables pour lestimation des variables latentes


CUEX1
f1
f2
f3
f4
f5
PERQ4
0.046274
0.081633
0.007765
0.028778
0.019737
CUSA2
0.027752
0.042369
0.024356
0.083861
0.057516

PERQ1

PERQ2

PERQ3

0.07362
0.12987
0.01235
0.04578
0.03140

0.024507
0.043233
0.004112
0.015241
0.010453

0.050785
0.089590
0.008522
0.031583
0.021661

PERQ7

PERV1

PERV2

CUSA1

0.046702
0.082388
0.007837
0.029044
0.019920

0.051524
0.090894
0.008646
0.032043
0.021977

-0.00071
0.00466
0.10833
0.00992
0.00680

-0.00440
0.02873
0.66864
0.06122
0.04199

0.030850
0.047098
0.027074
0.093221
0.063936

CUSA3

CUSL1

CUSL2

CUSL3

0.03606
0.05506
0.03165
0.10898
0.07474

0.00387
0.00591
0.00340
0.01170
0.10838

0.000423
0.000645
0.000371
0.001277
0.011830

0.01533
0.02340
0.01345
0.04632
0.42895

0.11102
0.03242
-0.00083
0.01321
0.00906
PERQ5
0.049023
0.086483
0.008227
0.030488
0.020910

CUEX2
0.074334
0.021705
-0.000558
0.008842
0.006064
PERQ6

CUEX3
0.055776
0.016287
-0.000418
0.006634
0.004550

95

VI. Analyse multi-groupes


Comparer un modle
sur G populations

e1
e2
e3
e6

1
1

ITEM2

Exemple (Byrne) :
-1159 prof. de classe lmentaire
- 388 prof. de classe intermdiaire
-1384 prof. de classe secondaire

e14

ITEM6
1

e11

1
1
1

Le modle est-il invariant au niveau


des variances des VL, des covariances
et des coefficients de rgression VM-VL ?

e22
e4
e7
e9

e19
e21

ITEM5

Depersonalization

ITEM10

ITEM9
1

1
1

ITEM22

ITEM7

ITEM15

ITEM4

e17
e18

ITEM20

ITEM11
1

e15

QUESTION

ITEM8

ITEM14

e20

e10

Emotional
exhaustion

ITEM13

e5

ITEM3

e8
e13

ITEM1

Personal
accomplishment

ITEM17
ITEM18
ITEM19
ITEM21

96

1.18

Modle sans
contraintes

e1

1.20

.54

e3

ITEM1

e2

1.23

ITEM2

ITEM6

e6.90

e8 1.29
e131.91

ITEM8
ITEM13

e14

.92
1.05

ITEM3

1.67
1

Elmentaire

1.00
1.48

.83

Emotional
exhaustion

1.24
1.05
.95
.91

ITEM14

.95

e20

.75

ITEM20

1.41

e5

1
1.31

e10
.65

1.40
1

e11

.80
1.96

e22
.68

e4
e7

ITEM11
1

e15

.49

e17

e18.68
e19

1.33
1

e21

.72
.79
-.22

ITEM22

ITEM9
1

-.21

Depersonalization

ITEM15

ITEM7

1.09
1

e9 .46

1.08

ITEM4

.79

1.04

ITEM10

.84

1.00

ITEM5

ITEM17
ITEM18
ITEM19
ITEM21

1.00
1.22
1.91
1.38

.17

Personal
accomplishment

1.91
1.83
1.23

Chi-square = 2243.206
df = 495
Chi-square/df = 4.532
rmsea = .035
[.033 - .036]
p-value = 1.000

97

1.21

Modle sans
contraintes

e1

1.21

.67

e3

ITEM1

e2

1.18

ITEM2

ITEM6

e6.77

e8 1.31
e131.68

ITEM8
ITEM13

e14

.90
1.11

ITEM3

1.87
1

1.44

.79

Emotional
exhaustion

1.27
1.13
.93
.92

ITEM14

.95

e20

.68

ITEM20

1.44

e5

1
1.88

e10
.77

1.66
1

e11

1.12
2.40

e22
e4
e7

.64

e17

e18.99
e19

1.30
1

e21

1.01
.87
-.18

ITEM22

ITEM9
1

-.16

Depersonalization

ITEM15

ITEM7

1.22
1

e9 .67

1.32

ITEM4

.88

1.00

ITEM10

.74

1.00

ITEM5

ITEM11
1

e15

.97

Intermdiaire

1.00

ITEM17
ITEM18
ITEM19
ITEM21

1.00
1.76
2.62
1.79

.13

Personal
accomplishment

2.39
2.40
1.91

Chi-square = 2243.206
df = 495
Chi-square/df = 4.532
rmsea = .035
[.033 - .036]
p-value = 1.000

98

1.22

Modle sans
contraintes

e1

1.23

.60

e3

ITEM1

e2

1.24

ITEM2

ITEM6

e6.71

e8 1.27
e131.90

ITEM8
ITEM13

e14

.93
1.08

ITEM3

1.74
1

Secondaire

1.00
1.31

.85

Emotional
exhaustion

1.27
1.05
.98
.90

ITEM14

.90

e20

.56

ITEM20

1.31

e5

1
1.40

e10
.74

1.45
1

e11

1.15

ITEM11
1

e15

1.78

e22

1.08
1

e4

e7

.85

e17

e18.85
e19

1.96
1

e21

.93
.94
-.20

ITEM22

ITEM9
1

-.19

Depersonalization

ITEM15

ITEM7

1.03
1

e9 .61

1.03

ITEM4

.78

1.09

ITEM10

.73

1.00

ITEM5

ITEM17
ITEM18
ITEM19
ITEM21

1.00
1.47
2.22
1.24

.21

Personal
accomplishment

1.82
2.07
1.35

Chi-square = 2243.206
df = 495
Chi-square/df = 4.532
rmsea = .035
[.033 - .036]
p-value = 1.000

99

Modle avec
contraintes

e1
C4

e2
e3
e6

e13
e14

1
1

1
1

1
1

e10
e11

e22

e7
e9

e19
e21

W6
W5

v_ee

W4

Emotional
exhaustion

W3

ITEM8

W2
W1

ITEM13

W15

ITEM20

W9

ITEM10

1
1

C3

Depersonalization

W16
W8
W7

ITEM15

C2

ITEM22

ITEM9
1

v_dp

ITEM5

ITEM7

C1

ITEM4

e17
e18

ITEM3

ITEM11
1

e15

e4

ITEM14
1

e5

ITEM2

ITEM6
1

e20

C5

ITEM1

e8

Ecriture des
contraintes :
AMOS permet
de nommer
automatiquement
les paramtres
contraints.

ITEM17
ITEM18

1
W14
W13
W12

v_pa

Personal
accomplishment

W17
W11
W10

ITEM19
ITEM21

100

1.22

Modle avec
contraintes

e1

1.24

.58

e3

ITEM1

e2

1.23

ITEM2

ITEM6

e6.90

e8 1.29
e131.91

ITEM8
ITEM13

e14

.92
1.07

ITEM3

1.67
1

Elmentaire

1.00
1.39

.84

Emotional
exhaustion

1.26
1.06
.96
.90

ITEM14

.95

e20

.65

ITEM20

1.41

e5

1
1.35

e10
.70

1.45
1

e11

.77
1.95

e22
.69

e4
e7

ITEM11
1

e15

.48

e17

e18.66
e19

1.33
1

e21

.84
.88
-.21

ITEM22

ITEM9
1

-.19

Depersonalization

ITEM15

ITEM7

1.06
1

e9 .47

1.10

ITEM4

.81

1.07

ITEM10

.76

1.00

ITEM5

ITEM17
ITEM18
ITEM19
ITEM21

1.00
1.37
2.15
1.35

.18

Personal
accomplishment

1.92
2.01
1.36

Chi-square = 2344.752
df = 545
Chi-square/df = 4.302
RSMEA = .034
[.032 - .035]
p = 1.000

101

1.14

Modle avec
contraintes

e1

1.14

.58

e3

ITEM1

e2

1.19

ITEM2

ITEM6

e6.77

e8 1.34
e131.67

ITEM8
ITEM13

e14

.92
1.07

ITEM3

1.87
1

Intermdiaire

1.00
1.39

.84

Emotional
exhaustion

1.26
1.06
.96
.90

ITEM14

.96

e20

.65

ITEM20

1.42

e5

1
1.77

e10
.70

1.70
1

e11

1.17
2.38

e22
.97

e4
e7

ITEM11
1

e15

.65

e17

e18.97
e19

1.33
1

e21

.84
.88
-.21

ITEM22

ITEM9
1

-.19

Depersonalization

ITEM15

ITEM7

1.20
1

e9 .68

1.10

ITEM4

.88

1.07

ITEM10

.76

1.00

ITEM5

ITEM17
ITEM18
ITEM19
ITEM21

1.00
1.37
2.15
1.35

.18

Personal
accomplishment

1.92
2.01
1.36

Chi-square = 2344.752
df = 545
Chi-square/df = 4.302

102

1.14

Modle avec
contraintes

e1

1.14

.58

e3

ITEM1

e2

1.19

ITEM2

ITEM6

e6.77

e8 1.34
e131.67

ITEM8
ITEM13

e14

.92
1.07

ITEM3

1.87
1

Secondaire

1.00
1.39

.84

Emotional
exhaustion

1.26
1.06
.96
.90

ITEM14

.96

e20

.65

ITEM20

1.42

e5

1
1.77

e10
.70

1.70
1

e11

1.17
2.38

e22
.97

e4
e7

ITEM11
1

e15

.65

e17

e18.97
e19

1.33
1

e21

.84
.88
-.21

ITEM22

ITEM9
1

-.19

Depersonalization

ITEM15

ITEM7

1.20
1

e9 .68

1.10

ITEM4

.88

1.07

ITEM10

.76

1.00

ITEM5

ITEM17
ITEM18
ITEM19
ITEM21

1.00
1.37
2.15
1.35

.18

Personal
accomplishment

1.92
2.01
1.36

Chi-square = 2344.752
df = 545
Chi-square/df = 4.302

103

Test de linvariance du modle


Comparer le modle sans contraintes (M1)
et le modle avec contraintes (M2)
Test sur le modle sans contraintes M1 :
Hypothse H0
Les covariances sont gales sur les 3 groupes.
- Les variances des VL sont gales sur les 3 groupes.
- Les coefficients de rgression VM-VL sont gaux sur les 3 groupes.
-

104

Comparaison de deux modles emboits


Calcul du Khi-deux global
Population g

2Population g (ng 1) FPopulation g


Global pour G populations

n F

2
Global
(n G )

g 1

o n ng
g 1

(n G ) FGlobal

105

Comparaison de deux modles emboits


Statistique utilise
2
2
2 Global
(Modle 2) - Global
(Modle 1)

Nombre de degrs de libert


dl (modle) = Nb de covariances Nb de paramtres du modle
Modle 1 : 3*20*21/2 3*(20 var. rs. + 17 coef. Reg. + 3 var VL + 5 cov)
= 495
Modle 2 : 3*20*21/2 (3*20 var. rs. + 17 coef. Reg. + 3 var VL + 5 cov)
= 545

106

Comparaison de deux modles emboits


Rgle de dcision
On rejette le modle avec contraintes M2 (hypothse H0)
au profit du modle sans contrainte M1 au risque
de se tromper si
2
2
2 Global
(Modle 2) - Global
(Modle 1)

> 1-2 [ dl ( M 2) dl ( M 1)]

Application
2 2344.75 2243.21 101.54
dl ( M 2) dl ( M 1) 545 495 50
p-value=Prob 2 (50) 101.54 .0000228

Rejet de H0
107

CONCLUSION
Covariance-based SEM reprsente la
principale demande en analyse des
donnes des chercheurs en sciences
soft : Marketing, Stratgie, Sciences
politiques, Psychologie, Sociologie,
Cov-SEM, lapproche PLS et la rgression
PLS permettent de modliser les liens
de causalit entre blocs de variables.
Cov-SEM est une mthode confirmatoire
: elle permet de valider les hypothses
du chercheur.
108

Rfrences
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

109

Schumaker & Lomax :


A beginners 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 modeling
SAGE, 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

110

Annexe
Modlisation des quations structurelles

Variables latentes :

1
M
m
14 2 43

VL endogne

m
14 2 43

VL exogne

Modle structurel (Modle interne):

= B + +
111

Modlisation des quations structurelles


Modle de mesure (Modle externe) :
y j1

y j = M
y
jm j

jy1 j1

M
y
1 2 jm3j

yj

y = y +
VM

VL

Endogenous

j1

jm j
{

xk1

x k = M
xkm
k

jx1

M
x
km
123
k

xk

k1

M
km
k
123
k

x = x +
VM

VL

Exogenous

112

Modlisation des quations structurelles


Intgration des modles structurel et de mesure :
1

= B + + = (I - B ) ( + )
x = x +

Forme rduite

y = y + y = y (I - B ) 1 ( + )+

= Cov() = E()
= Cov() = E()
= Cov() = E()
= Cov() = E()

Pas de corrlation entre les


rsidus ,

, .

113

Modlisation des quations structurelles


Matrice de covariance des variables manifestes :
Modle
externe

Cov.
des VL
ex.

Modle
interne

Covariance
des rsidus
des q. struct.

xx
( x , y, B, , , , , )
yx

x x' +

Covariance
des rsidus
du modle
de mesure

xy
yy
' (I - By) ' '

y (I - B) x ' y [(I - B) (' + )][(I - B ) '] y' +


1

114

Modlisation des quations structurelles


Mthode du Maximum de Vraisemblance :
S = Matrice des covariances observes des VM

, , )

,
,
C ( x , B,
,

n
1

Maximiser
log
L
(

log

tr
S

)
1 4 2 43

Minimiser F = Trace(SC-1) - q + Ln(det C) Ln(det S)

115

Modlisation des quations structurelles


Calcul des carts-types des paramtres :

n
log L( ) log ( ) tr S 1 ( )
2

log L( )

Cov( ) E

'

116